Уголок Медицинской Науки
Канал о медицинской науке, методологии исследований, прекрасном и удивительном мире доказательной медицины во всём его многообразии.
Рэйтынг TGlist
0
0
ТыпПублічны
Вертыфікацыя
Не вертыфікаваныНадзейнасць
Не надзейныРазмяшчэнне
МоваІншая
Дата стварэння каналаMar 10, 2025
Дадана ў TGlist
Mar 26, 2025Прыкрепленая група
Апошнія публікацыі ў групе "Уголок Медицинской Науки"
30.03.202514:17
🧬 ИИ, редкая болезнь и немного упрямства
История, в которую трудно поверить — но она реальна
или как алгоритм помог там, где медицина почти сдалась
37-летний Джозеф Коутс готовился к самому тяжёлому выбору: умирать дома или в больнице. POEMS-синдром — редкое и изнуряющее заболевание крови — разрушал его организм: он почти не двигался, сердце и почки страдали, пересадка стволовых клеток казалась невозможной. Врачи уже не предлагали лечения.
Но его девушка, Тара, решила рискнуть — и написала письмо доктору, с которым они случайно познакомились на саммите по редким заболеваниям. Доктора звали Дэвид Файгенбаум. И он не просто врач. Он — пациент с редкой болезнью, который однажды спас себя с помощью… поиска в PubMed.
Теперь у него — лаборатория в Пенсильвании, благотворительный проект Every Cure и искусственный интеллект, который каждый день ищет новые применения для уже известных лекарств.
ИИ-платформа проанализировала тысячи лекарств и десятки тысяч заболеваний, и предложила «дико смелую» схему для Джозефа: комбинацию химиотерапии, иммуномодуляторов и стероидов, которую никто раньше не применял при POEMS. Через неделю — улучшение. Через 4 месяца — трансплантация. Сейчас — ремиссия.
И такие истории обсуждаются всё чаще.
🔍 Что здесь важно научно?
🔹️ Репозиционирование (перепрофилирование) лекарств — поиск новых применений уже одобренных молекул
🔹️ ИИ помогает в этом, анализируя не только фармакологические свойства, но и всю доступную биомедицинскую литературу
🔹️ Вместо того чтобы тратить 10 лет и миллиарды долларов на новое лекарство, можно взять старое — и применить с умом
📚 Так например уже сработали адалимумаб при болезни Каслмана (Mumau MD et al. N Engl J Med. 2025 Feb 6;392(6):616-618.),
🧠 Но и предостережения есть:
🔹️ИИ — не магия. Его гипотезы должны быть осмыслены врачом, оценены на безопасность, и часто — подтверждены клинически.
🔹️Кроме того, коммерческой выгоды от таких открытий немного: старые препараты — дженерики, и фармкомпании не спешат инвестировать.
🌱 Но есть некоммерческие инициативы. И люди, которым не всё равно☺️
И однажды, возможно, окажется, что спасительный препарат всё это время пылился на аптечной полке.
История по мотивам статьи в The New York Times (Kate Morgan, 2025)
📑А какие примеры применения уже существующих препаратов для других заболеваний знаете вы? 😊
#УголокМедНауки #AI #ИИ #EBM #Репозиционирование
История, в которую трудно поверить — но она реальна
или как алгоритм помог там, где медицина почти сдалась
37-летний Джозеф Коутс готовился к самому тяжёлому выбору: умирать дома или в больнице. POEMS-синдром — редкое и изнуряющее заболевание крови — разрушал его организм: он почти не двигался, сердце и почки страдали, пересадка стволовых клеток казалась невозможной. Врачи уже не предлагали лечения.
Но его девушка, Тара, решила рискнуть — и написала письмо доктору, с которым они случайно познакомились на саммите по редким заболеваниям. Доктора звали Дэвид Файгенбаум. И он не просто врач. Он — пациент с редкой болезнью, который однажды спас себя с помощью… поиска в PubMed.
Теперь у него — лаборатория в Пенсильвании, благотворительный проект Every Cure и искусственный интеллект, который каждый день ищет новые применения для уже известных лекарств.
ИИ-платформа проанализировала тысячи лекарств и десятки тысяч заболеваний, и предложила «дико смелую» схему для Джозефа: комбинацию химиотерапии, иммуномодуляторов и стероидов, которую никто раньше не применял при POEMS. Через неделю — улучшение. Через 4 месяца — трансплантация. Сейчас — ремиссия.
И такие истории обсуждаются всё чаще.
🔍 Что здесь важно научно?
🔹️ Репозиционирование (перепрофилирование) лекарств — поиск новых применений уже одобренных молекул
🔹️ ИИ помогает в этом, анализируя не только фармакологические свойства, но и всю доступную биомедицинскую литературу
🔹️ Вместо того чтобы тратить 10 лет и миллиарды долларов на новое лекарство, можно взять старое — и применить с умом
📚 Так например уже сработали адалимумаб при болезни Каслмана (Mumau MD et al. N Engl J Med. 2025 Feb 6;392(6):616-618.),
🧠 Но и предостережения есть:
🔹️ИИ — не магия. Его гипотезы должны быть осмыслены врачом, оценены на безопасность, и часто — подтверждены клинически.
🔹️Кроме того, коммерческой выгоды от таких открытий немного: старые препараты — дженерики, и фармкомпании не спешат инвестировать.
🌱 Но есть некоммерческие инициативы. И люди, которым не всё равно☺️
И однажды, возможно, окажется, что спасительный препарат всё это время пылился на аптечной полке.
История по мотивам статьи в The New York Times (Kate Morgan, 2025)
📑А какие примеры применения уже существующих препаратов для других заболеваний знаете вы? 😊
#УголокМедНауки #AI #ИИ #EBM #Репозиционирование
28.03.202518:47
🏢Как создаются клинические рекомендации — и зачем тут всё это PICO, GRADE и EtD
📌 1. Всё начинается с вопросов — в формате PICO
Каждую будущую рекомендацию начинают с клинического вопроса, оформленного в структуре:
Population — кто?
Intervention — что делать?
Comparison — с чем сравниваем?
Outcomes — что хотим изменить?
🔍 Разберемся на примере (Alonso-Coello P et al. BMJ. 2016 Jun 30;353:i2089)
Должны ли пациенты с фибрилляцией предсердий и умеренно высоким риском инсульта, принимающие варфарин, перейти на дабигатран?
P: пациенты с фибрилляцией предсердий
I: дабигатран
C: варфарин
O: смерть, инсульт, кровотечения, инфаркт, нагрузка лечения
📚 2. Сбор и оценка доказательств — систематический обзор
По каждому PICO проводится:
▫️систематический поиск литературы
▫️отбор релевантных исследований (РКИ, наблюдательные)
▫️оценка достоверности данных (по системе GRADE).
🔍 В обзоре для вышеуказанного PICO использовались данные из RE-LY trial — крупного международного РКИ (18 113 пациентов), сравнивающего дабигатран и варфарин.
В таблице Summary of Findings указывались:
▫️снижение риска инсульта (2.2% против 3.4%)
▫️сравнимый риск смертности
▫️чуть меньше крупных кровотечений,
▫️меньше нагрузка на пациента (без контроля INR, диеты и т.п.)
🧭 GRADE показал:
▫️умеренная уверенность в основных исходах;
▫️низкая уверенность в подгруппе (пациенты с хорошо контролируемым INR на варфарине).
🧠 3. EtD framework — от доказательств к решению
Здесь начинается настоящее "коллективное размышление". В панели экспертов обсуждаются 12 ключевых критериев, включая:
💥 Насколько значим эффект?
Инсульт — тяжёлый исход → ценится высоко. Да и эффект у дабигатрана ощутимый → в его пользу.
🧪 Надёжны ли данные?
RE-LY — хорошее исследование, но были риски смещения (open-label для варфарина). Значит, умеренная уверенность.
💸 Сколько это стоит?
Варфарин дешевле, но требует мониторинга.
Дабигатран дороже (€30 млн в год на популяцию 66 тыс. человек в расчёте для Европы), но проще в применении.
⚖️ Баланс пользы и вреда?
Общая популяция — дабигатран предпочтителен.
Но для подгруппы с хорошим INR контроль — возможно, нет.
❤️ Как пациенты воспринимают вмешательство?
Для многих ежедневный контроль INR — обуза.
Но некоторые опасаются новых препаратов и рисков.
🏥 Это вообще реализуемо?
— В странах с ограниченным доступом к новым препаратам или без страховки — реализация может быть проблемой.
🧾 4. Готовая рекомендация — финальный продукт
После обсуждения и голосования панель экспертов формулирует рекомендацию с учетом представленных доказательств
✅ Рекомендация:
"Рекомендуется использовать дабигатран вместо варфарина у пациентов с фибрилляцией предсердий и умеренно высоким риском инсульта"
📎 Сила: условная (weak/conditional),
📈 Уровень доказательств: умеренный,
🎯 Применимо к: пациентам без противопоказаний, за исключением хорошо компенсированных на варфарине.
🔄 5. Обновления и живые рекомендации
Рекомендации пересматриваются по мере поступления новых данных.
Некоторые организации (например, ВОЗ и NICE) уже используют "living guidelines" — обновляемые в реальном времени (яркий пример — рекомендации ВОЗ по COVID-19).
📍 Что важно запомнить?
Рекомендации — это не просто чья-то «экспертная интуиция», это:
🔹чётко сформулированные вопросы (PICO),
🔹систематически собранные данные,
🔹взвешенное обсуждение всех аспектов (EtD),
🔹прозрачная логика перехода от данных к решению.
💡 А значит — мы можем не просто следовать гайдам, но и понять их суть, обсуждать, адаптировать под конкретного пациента — и доверять, когда это действительно обоснованно.
🤔 А вы знали, как именно формируются клинические рекомендации? Делитесь в комментариях, что было неожиданным!
#УголокМедНауки #EBM #гайдлайны #медицинскаянаука #PICO #GRADE #EtD #systematicreview
📌 1. Всё начинается с вопросов — в формате PICO
Каждую будущую рекомендацию начинают с клинического вопроса, оформленного в структуре:
Population — кто?
Intervention — что делать?
Comparison — с чем сравниваем?
Outcomes — что хотим изменить?
🔍 Разберемся на примере (Alonso-Coello P et al. BMJ. 2016 Jun 30;353:i2089)
Должны ли пациенты с фибрилляцией предсердий и умеренно высоким риском инсульта, принимающие варфарин, перейти на дабигатран?
P: пациенты с фибрилляцией предсердий
I: дабигатран
C: варфарин
O: смерть, инсульт, кровотечения, инфаркт, нагрузка лечения
📚 2. Сбор и оценка доказательств — систематический обзор
По каждому PICO проводится:
▫️систематический поиск литературы
▫️отбор релевантных исследований (РКИ, наблюдательные)
▫️оценка достоверности данных (по системе GRADE).
🔍 В обзоре для вышеуказанного PICO использовались данные из RE-LY trial — крупного международного РКИ (18 113 пациентов), сравнивающего дабигатран и варфарин.
В таблице Summary of Findings указывались:
▫️снижение риска инсульта (2.2% против 3.4%)
▫️сравнимый риск смертности
▫️чуть меньше крупных кровотечений,
▫️меньше нагрузка на пациента (без контроля INR, диеты и т.п.)
🧭 GRADE показал:
▫️умеренная уверенность в основных исходах;
▫️низкая уверенность в подгруппе (пациенты с хорошо контролируемым INR на варфарине).
🧠 3. EtD framework — от доказательств к решению
Здесь начинается настоящее "коллективное размышление". В панели экспертов обсуждаются 12 ключевых критериев, включая:
💥 Насколько значим эффект?
Инсульт — тяжёлый исход → ценится высоко. Да и эффект у дабигатрана ощутимый → в его пользу.
🧪 Надёжны ли данные?
RE-LY — хорошее исследование, но были риски смещения (open-label для варфарина). Значит, умеренная уверенность.
💸 Сколько это стоит?
Варфарин дешевле, но требует мониторинга.
Дабигатран дороже (€30 млн в год на популяцию 66 тыс. человек в расчёте для Европы), но проще в применении.
⚖️ Баланс пользы и вреда?
Общая популяция — дабигатран предпочтителен.
Но для подгруппы с хорошим INR контроль — возможно, нет.
❤️ Как пациенты воспринимают вмешательство?
Для многих ежедневный контроль INR — обуза.
Но некоторые опасаются новых препаратов и рисков.
🏥 Это вообще реализуемо?
— В странах с ограниченным доступом к новым препаратам или без страховки — реализация может быть проблемой.
🧾 4. Готовая рекомендация — финальный продукт
После обсуждения и голосования панель экспертов формулирует рекомендацию с учетом представленных доказательств
✅ Рекомендация:
"Рекомендуется использовать дабигатран вместо варфарина у пациентов с фибрилляцией предсердий и умеренно высоким риском инсульта"
📎 Сила: условная (weak/conditional),
📈 Уровень доказательств: умеренный,
🎯 Применимо к: пациентам без противопоказаний, за исключением хорошо компенсированных на варфарине.
🔄 5. Обновления и живые рекомендации
Рекомендации пересматриваются по мере поступления новых данных.
Некоторые организации (например, ВОЗ и NICE) уже используют "living guidelines" — обновляемые в реальном времени (яркий пример — рекомендации ВОЗ по COVID-19).
📍 Что важно запомнить?
Рекомендации — это не просто чья-то «экспертная интуиция», это:
🔹чётко сформулированные вопросы (PICO),
🔹систематически собранные данные,
🔹взвешенное обсуждение всех аспектов (EtD),
🔹прозрачная логика перехода от данных к решению.
💡 А значит — мы можем не просто следовать гайдам, но и понять их суть, обсуждать, адаптировать под конкретного пациента — и доверять, когда это действительно обоснованно.
🤔 А вы знали, как именно формируются клинические рекомендации? Делитесь в комментариях, что было неожиданным!
#УголокМедНауки #EBM #гайдлайны #медицинскаянаука #PICO #GRADE #EtD #systematicreview
25.03.202514:53
☕️ Заполняем PROSPERO вместе 🙃
День 2. Протокол: фиксируем план, чтобы не сбиться с курса
💡 Как вы помните, на этой неделе мы вместе планируем систематический обзор.
🧾 Протокол — это как маршрут перед походом в горы:
✔️Где будем искать информацию
✔️Что будем считать «подходящими» статьями
✔️Ответы на какие вопросы мы хотим получить
✔️Как будем анализировать найденное
И, чтобы не потерять этот маршрут — мы регистрируем его в базе данных PROSPERO, потому-что это рекомендованная практика.
Большое спасибо за темы, которые вы предложили, я выбрал одну из них, которая "проще" для объяснения ☺️
💡 Наша условная тема для тренировки:
🧒 Антибиотики при микоплазменной пневмонии у детей
📚 В 2014 году уже был опубликован систематический обзор (Biondi E et al. Pediatrics. 2014 Jun;133(6):1081-90):
🔸 он включал только литературу до 2013 года,
🔸 оценка risk of bias проводилась не совсем так, как мы делали бы сегодня
🔸 а вопрос по прежнему остаётся спорным и клинически значимым
Давайте представим себе, что мы хотим обновить данный систематический обзор, чтобы посмотреть какие исследования есть в мире на сегодняшний момент, которые помогут ответить на поставленный вопрос.
🧭 Что и зачем писать в PROSPERO?
(А ниже — дружеские пояснения к каждому разделу)
1. Название обзора
✅ Antibiotic therapy versus observation in children with Mycoplasma pneumoniae: a systematic review
📌 Название должно быть нейтральным и точным. Мы не утверждаем, что антибиотики эффективны — мы спрашиваем.
2. Обоснование (Rationale)
Хотя антибиотики широко используются при микоплазменной пневмонии у детей, сама инфекция часто проходит самостоятельно. Неясно, действительно ли лечение антибиотиками улучшает исходы по сравнению с наблюдением. Ранее опубликованные обзоры включали ограниченные данные и не использовали современные методы оценки bias.
3. Цель (Objectives)
Оценить эффективность и безопасность антибиотикотерапии по сравнению с отсутствием лечения у детей с лабораторно подтверждённой Mycoplasma pneumoniae
4. Ключевые слова (Keywords)
Mycoplasma pneumoniae, antibiotics, paediatrics, systematic review, pneumonia
5. Критерии включения (Eligibility)
📌 Популяция: дети 0–18 лет с микробиологически подтверждённой микоплазменной пневмонией
📌 Интервенция: антибиотики, активные против M. pneumoniae (макролиды, фторхинолоны, тетрациклины)
📌 Сравнение: отсутствие антибиотикотерапии или симптоматическое лечение
📌 Исходы:
– Основные: клиническое выздоровление, серьёзные побочные эффекты
– Дополнительные: длительность симптомов, лёгкие побочные эффекты, развитие осложнений
6. Типы исследований
Вам нужно решить, какой тип исследований включать. Для этого нужно иметь определенное представление относительно того, что сделано в области. Рандомизированные контролируемые исследования (RCT) могут дать вам ответ относительно эффективности. Однако, если их очень мало то полезно будет сделать дополнительный синтез нерандомизированных и наблюдательных исследований.
7. Где будем искать? (Search strategy)
MEDLINE, Embase, Cochrane CENTRAL.
Период: from inception по настоящее время.
Также можно искать в реестрах ClinicalTrials.gov и WHO ICTRP
8. Отбор и извлечение данных
Два рецензента будут независимо отбирать статьи и извлекать данные. Разногласия — через обсуждение или третьего эксперта.
9. Оценка риска смещения (Risk of bias)
🎯 Используем современные инструменты:
Для RCT: RoB 2.0 (Cochrane Risk of Bias Tool 2.0)
Для нерандомизированных исследований: ROBINS-I
📌 Так мы сможем более объективно оценить bias каждого включённого исследования
10. План синтеза (Data synthesis)
Если будет ≥2 однородных исследования — проведём мета-анализ (random effects model)
Если гетерогенность высока — сделаем нарративный синтез
Важно помнить - мета-анализ НЕ обязательная часть систематического обзора!
💬 Готовите ли вы сейчас свой систематический обзор и есть ли у вас вопросы?
✍️ Расскажите и буду рад помочь если в этом есть необходимость
#УголокМедНауки #SystematicReview #PROSPERO #ПротоколОбзора #EBM #НаукаВместе #PICO
День 2. Протокол: фиксируем план, чтобы не сбиться с курса
💡 Как вы помните, на этой неделе мы вместе планируем систематический обзор.
🧾 Протокол — это как маршрут перед походом в горы:
✔️Где будем искать информацию
✔️Что будем считать «подходящими» статьями
✔️Ответы на какие вопросы мы хотим получить
✔️Как будем анализировать найденное
И, чтобы не потерять этот маршрут — мы регистрируем его в базе данных PROSPERO, потому-что это рекомендованная практика.
Большое спасибо за темы, которые вы предложили, я выбрал одну из них, которая "проще" для объяснения ☺️
💡 Наша условная тема для тренировки:
🧒 Антибиотики при микоплазменной пневмонии у детей
📚 В 2014 году уже был опубликован систематический обзор (Biondi E et al. Pediatrics. 2014 Jun;133(6):1081-90):
🔸 он включал только литературу до 2013 года,
🔸 оценка risk of bias проводилась не совсем так, как мы делали бы сегодня
🔸 а вопрос по прежнему остаётся спорным и клинически значимым
Давайте представим себе, что мы хотим обновить данный систематический обзор, чтобы посмотреть какие исследования есть в мире на сегодняшний момент, которые помогут ответить на поставленный вопрос.
🧭 Что и зачем писать в PROSPERO?
(А ниже — дружеские пояснения к каждому разделу)
1. Название обзора
✅ Antibiotic therapy versus observation in children with Mycoplasma pneumoniae: a systematic review
📌 Название должно быть нейтральным и точным. Мы не утверждаем, что антибиотики эффективны — мы спрашиваем.
2. Обоснование (Rationale)
Хотя антибиотики широко используются при микоплазменной пневмонии у детей, сама инфекция часто проходит самостоятельно. Неясно, действительно ли лечение антибиотиками улучшает исходы по сравнению с наблюдением. Ранее опубликованные обзоры включали ограниченные данные и не использовали современные методы оценки bias.
3. Цель (Objectives)
Оценить эффективность и безопасность антибиотикотерапии по сравнению с отсутствием лечения у детей с лабораторно подтверждённой Mycoplasma pneumoniae
4. Ключевые слова (Keywords)
Mycoplasma pneumoniae, antibiotics, paediatrics, systematic review, pneumonia
5. Критерии включения (Eligibility)
📌 Популяция: дети 0–18 лет с микробиологически подтверждённой микоплазменной пневмонией
📌 Интервенция: антибиотики, активные против M. pneumoniae (макролиды, фторхинолоны, тетрациклины)
📌 Сравнение: отсутствие антибиотикотерапии или симптоматическое лечение
📌 Исходы:
– Основные: клиническое выздоровление, серьёзные побочные эффекты
– Дополнительные: длительность симптомов, лёгкие побочные эффекты, развитие осложнений
6. Типы исследований
Вам нужно решить, какой тип исследований включать. Для этого нужно иметь определенное представление относительно того, что сделано в области. Рандомизированные контролируемые исследования (RCT) могут дать вам ответ относительно эффективности. Однако, если их очень мало то полезно будет сделать дополнительный синтез нерандомизированных и наблюдательных исследований.
7. Где будем искать? (Search strategy)
MEDLINE, Embase, Cochrane CENTRAL.
Период: from inception по настоящее время.
Также можно искать в реестрах ClinicalTrials.gov и WHO ICTRP
8. Отбор и извлечение данных
Два рецензента будут независимо отбирать статьи и извлекать данные. Разногласия — через обсуждение или третьего эксперта.
9. Оценка риска смещения (Risk of bias)
🎯 Используем современные инструменты:
Для RCT: RoB 2.0 (Cochrane Risk of Bias Tool 2.0)
Для нерандомизированных исследований: ROBINS-I
📌 Так мы сможем более объективно оценить bias каждого включённого исследования
10. План синтеза (Data synthesis)
Если будет ≥2 однородных исследования — проведём мета-анализ (random effects model)
Если гетерогенность высока — сделаем нарративный синтез
Важно помнить - мета-анализ НЕ обязательная часть систематического обзора!
💬 Готовите ли вы сейчас свой систематический обзор и есть ли у вас вопросы?
✍️ Расскажите и буду рад помочь если в этом есть необходимость
#УголокМедНауки #SystematicReview #PROSPERO #ПротоколОбзора #EBM #НаукаВместе #PICO
24.03.202513:06
📚 Неделя систематических обзоров — День 1
Предлагаю всем вместе...спланировать систематический обзор 😊
На этой неделе мы будем говорить о систематических обзорах — не как об обязательном методологическом ритуале, а как о живом процессе: осмысленном, нужном и даже... увлекательном
Но вместо того, чтобы просто рассказывать «как правильно», я предлагаю вам...
🤝 ...стать членами научной группы. Условно, конечно ☺️
Предлагаю представить, что мы вместе планируем систематический обзор: от идеи — до финального синтеза
На протяжении недели мы будем:
🔹 формулировать вопрос
🔹 выбирать критерии включения
🔹 обсуждать, как и где искать статьи
🔹 оценивать bias
🔹 и решать — нужен ли метаанализ, или достаточно нарративного синтеза
И всё это — не в вакууме, а на примере темы, которую выберем вместе с вами.
🎯 Что мы ищем?
Хочется выбрать тему, которая:
✔️ логично ложится в PICO (Population, Intervention/Exposure, Comparator, Outcome)
✔️ потенциально имеет реальную практическую ценность
✔️ и... просто вызывает интерес (даже личный — это не возбраняется 😊)
💡 Примеры, от которых можно оттолкнуться:
🧪 1. Обзоры эффективности (Intervention reviews)
➡️ Работает ли интервенция? Сравнивают вмешательство vs контроль.
📌 Пример: Эффективны ли ингибиторы протонной помпы в лечении астмы у детей?
🔍 2. Обзоры диагностической точности (Diagnostic accuracy reviews)
➡️ Насколько точен диагностический тест по сравнению с эталоном ("золотым стандартом").
📌 Пример: Насколько точно прик-тесты выявляют аллергию на арахис у детей по сравнению с провокационными пробами (OFC)?
📊 3. Обзоры по распространённости (Prevalence reviews)
➡️ Насколько часто встречается состояние в популяции.
📌 Пример: Частота долгосрочных симптомов после COVID-19 у детей (long COVID)?
🧠 4. Обзоры по прогностическим факторам (Prognostic factor reviews)
➡️ Какие факторы связаны с развитием исхода в будущем.
📌 Пример: Какие факторы ассоциированы с тяжёлым течением COVID-19 у беременных?
📖 5. Качественные обзоры (Qualitative reviews)
➡️ Восприятие, переживания, барьеры, отношение — на основе интервью и фокус-групп.
📌 Пример: Какие барьеры и мотивы существуют у пожилых людей в принятии вакцинации от COVID-19?
🗺 6. Скопинг-обзоры (Scoping reviews)
➡️ Какие исследования уже есть по теме, какие методы используются, какие пробелы существуют. Подходят для широких, плохо структурированных областей.
📌 Пример: Какие исходы используются в клинических исследованиях хронической крапивницы?
На самом деле это не совсем systematic review, а отдельный вид работы, который, например не регистрируется на PROSPERO, но я его всё-таки упомяну. Читайте о разнице между systematic и scoping review в статье Munn Z et al. BMC Med Res Methodol. 2018 Nov 19;18(1):143 (кстати, это один из самых читаемых методологических гайд-обзоров в BMC 😊)
Это лишь примеры, для того, чтобы вам было проще предложить свои!
🧭 Не знаете, с чего начать? Есть подсказка!
📖 Если хочется понять, какие вообще бывают типы обзоров, и какой лучше подойдёт под вашу идею — очень рекомендую статью Munn Z et al. BMC Med Res Methodol. 2018 Jan 10;18(1):5.
Не могу также не порекомендовать бесплатный гайд от Kurinchi Gurusamy (обложка на картинке к этому посту)
🗳 Напишите свою идею в комментариях:
“А может, сделаем систематический обзор по...” и сформулировать PICO
Можно просто набросок, тему, вопрос, гипотезу — я помогу всё облечь в форму и уточнить ☺️
Каждый день мы с вами будем планировать кусочек процесса, а в конце недели мы подведём итог — как бы мог выглядеть структурированный план систематического обзора по придуманной вами теме.
#УголокМедНауки #Systematicreview #СистематическийОбзор #EBM #Методология #PRISMA #PICO #PROSPERO #НаукаВместе #НаучноеПланирование
Предлагаю всем вместе...спланировать систематический обзор 😊
На этой неделе мы будем говорить о систематических обзорах — не как об обязательном методологическом ритуале, а как о живом процессе: осмысленном, нужном и даже... увлекательном
Но вместо того, чтобы просто рассказывать «как правильно», я предлагаю вам...
🤝 ...стать членами научной группы. Условно, конечно ☺️
Предлагаю представить, что мы вместе планируем систематический обзор: от идеи — до финального синтеза
На протяжении недели мы будем:
🔹 формулировать вопрос
🔹 выбирать критерии включения
🔹 обсуждать, как и где искать статьи
🔹 оценивать bias
🔹 и решать — нужен ли метаанализ, или достаточно нарративного синтеза
И всё это — не в вакууме, а на примере темы, которую выберем вместе с вами.
🎯 Что мы ищем?
Хочется выбрать тему, которая:
✔️ логично ложится в PICO (Population, Intervention/Exposure, Comparator, Outcome)
✔️ потенциально имеет реальную практическую ценность
✔️ и... просто вызывает интерес (даже личный — это не возбраняется 😊)
💡 Примеры, от которых можно оттолкнуться:
🧪 1. Обзоры эффективности (Intervention reviews)
➡️ Работает ли интервенция? Сравнивают вмешательство vs контроль.
📌 Пример: Эффективны ли ингибиторы протонной помпы в лечении астмы у детей?
🔍 2. Обзоры диагностической точности (Diagnostic accuracy reviews)
➡️ Насколько точен диагностический тест по сравнению с эталоном ("золотым стандартом").
📌 Пример: Насколько точно прик-тесты выявляют аллергию на арахис у детей по сравнению с провокационными пробами (OFC)?
📊 3. Обзоры по распространённости (Prevalence reviews)
➡️ Насколько часто встречается состояние в популяции.
📌 Пример: Частота долгосрочных симптомов после COVID-19 у детей (long COVID)?
🧠 4. Обзоры по прогностическим факторам (Prognostic factor reviews)
➡️ Какие факторы связаны с развитием исхода в будущем.
📌 Пример: Какие факторы ассоциированы с тяжёлым течением COVID-19 у беременных?
📖 5. Качественные обзоры (Qualitative reviews)
➡️ Восприятие, переживания, барьеры, отношение — на основе интервью и фокус-групп.
📌 Пример: Какие барьеры и мотивы существуют у пожилых людей в принятии вакцинации от COVID-19?
🗺 6. Скопинг-обзоры (Scoping reviews)
➡️ Какие исследования уже есть по теме, какие методы используются, какие пробелы существуют. Подходят для широких, плохо структурированных областей.
📌 Пример: Какие исходы используются в клинических исследованиях хронической крапивницы?
На самом деле это не совсем systematic review, а отдельный вид работы, который, например не регистрируется на PROSPERO, но я его всё-таки упомяну. Читайте о разнице между systematic и scoping review в статье Munn Z et al. BMC Med Res Methodol. 2018 Nov 19;18(1):143 (кстати, это один из самых читаемых методологических гайд-обзоров в BMC 😊)
Это лишь примеры, для того, чтобы вам было проще предложить свои!
🧭 Не знаете, с чего начать? Есть подсказка!
📖 Если хочется понять, какие вообще бывают типы обзоров, и какой лучше подойдёт под вашу идею — очень рекомендую статью Munn Z et al. BMC Med Res Methodol. 2018 Jan 10;18(1):5.
Не могу также не порекомендовать бесплатный гайд от Kurinchi Gurusamy (обложка на картинке к этому посту)
🗳 Напишите свою идею в комментариях:
“А может, сделаем систематический обзор по...” и сформулировать PICO
Можно просто набросок, тему, вопрос, гипотезу — я помогу всё облечь в форму и уточнить ☺️
Каждый день мы с вами будем планировать кусочек процесса, а в конце недели мы подведём итог — как бы мог выглядеть структурированный план систематического обзора по придуманной вами теме.
#УголокМедНауки #Systematicreview #СистематическийОбзор #EBM #Методология #PRISMA #PICO #PROSPERO #НаукаВместе #НаучноеПланирование
23.03.202515:01
🔬Воскресные обсуждения новостей через призму науки
ADHD и TikTok: когда миллионы просмотров не гарантируют правды
Сегодня хочу поговорить о серьёзной теме, которая касается и научной ответственности, и психического здоровья, обсудив результаты исследования, которое попало в заголовки многих новостных агентств (напр. New York Times).
📱 Мы всё чаще слышим о синдроме дефицита внимания и гиперактивности (СДВГ, англ. ADHD) не из кабинета специалиста, а из TikTok...
Но что на самом деле стоит за популярными видео с хэштегом #ADHD?
🔍 Что показало исследование?
📄 В марте 2025 года в PLOS ONE вышло исследование Karasavva и соавт., в котором учёные из University of British Columbia изучили 100 самых популярных видео TikTok с хэштегом #ADHD. Они собрали почти полмиллиарда просмотров. И вот что выяснилось:
✔️Только 48,7% утверждений о симптомах соответствовали критериям DSM-5
✔️95% видео не включали оговорок, что симптомы могут не относиться ко всем людям с СДВГ
✔️Более 68% ложных утверждений описывали то, что лучше объясняется как нормальные человеческие переживания, а не как психопатология
✔️Более половины авторов продавали товары или просили донаты, а профессиональную квалификацию указывали единицы
📈 Как это влияет на восприятие СДВГ у молодёжи?
Вторая часть исследования включала 843 студентов (18–25 лет), с разными статусами: без диагноза, с самодиагностикой и с подтверждённым диагнозом ADHD.
Выяснилось что:
✔️Чем чаще человек смотрит #ADHD TikTok — тем выше его оценка достоверности этого контента
✔️Частый просмотр связан с завышенной оценкой распространённости СДВГ в обществе (в среднем — 33%, при реальной оценке 3–7%)
✔️Просмотр 10 видео TikTok повышал уверенность у самодиагностов, что у них есть СДВГ. У участников без диагноза — снижал уверенность, что у них его нет
✔️После просмотра объяснения от психолога уверенность частично восстанавливалась, но только у тех, у кого СДВГ не было
📱 Почему это происходит?
🔹 TikTok показывает то, что хочется видеть: алгоритмы усиливают эффект “эхо-камеры” и подтверждения собственных убеждений
🔹 Формат коротких видео не даёт места для нюансов: зритель запоминает яркое, личное, эмоциональное
🔹 Многие авторы действуют из лучших побуждений, но недостаток проверенной информации и общих оговорок искажает восприятие
🎭 TikTok — это зло? Нет. Но…
Исследователи подчёркивают:
🔹 TikTok даёт чувство поддержки и принадлежности, особенно женщинам и молодым людям, ранее игнорируемым системой
🔹 Он помогает снять стигму и подтолкнуть к обращению за помощью
❗️ Но он не должен быть заменой диагностике и научно обоснованному лечению
На самом деле подобные исследования уже проводились в прошлом (напр. Yeung A et al., Can J Psychiatry. 2022 Dec;67(12):899-906) и пришли к аналогичным выводам...
🛡 Что можно сделать?
✔️ Психологам и врачам — слушать и не обесценивать, но при этом объяснять научно-обоснованно и включать эмпатию
✔️ Пациентам — искать подтверждение своих ощущений у профессионалов, не ограничиваться TikTok
✔️ Всем нам — развивать критическое мышление и уважение к профессиональному знанию
💬 А как вы относитесь к медицинской информации в TikTok? Считаете ли вы, что там можно найти пользу — или это зона повышенного риска? Давайте обсудим вместе! 👇
#УголокМедНауки #СДВГ #ADHD #TikTok #Дезинформация #ПсихическоеЗдоровье #Самодиагностика #EBM #ДоказательнаяМедицина #ВоскресныеНовости
ADHD и TikTok: когда миллионы просмотров не гарантируют правды
Сегодня хочу поговорить о серьёзной теме, которая касается и научной ответственности, и психического здоровья, обсудив результаты исследования, которое попало в заголовки многих новостных агентств (напр. New York Times).
📱 Мы всё чаще слышим о синдроме дефицита внимания и гиперактивности (СДВГ, англ. ADHD) не из кабинета специалиста, а из TikTok...
Но что на самом деле стоит за популярными видео с хэштегом #ADHD?
🔍 Что показало исследование?
📄 В марте 2025 года в PLOS ONE вышло исследование Karasavva и соавт., в котором учёные из University of British Columbia изучили 100 самых популярных видео TikTok с хэштегом #ADHD. Они собрали почти полмиллиарда просмотров. И вот что выяснилось:
✔️Только 48,7% утверждений о симптомах соответствовали критериям DSM-5
✔️95% видео не включали оговорок, что симптомы могут не относиться ко всем людям с СДВГ
✔️Более 68% ложных утверждений описывали то, что лучше объясняется как нормальные человеческие переживания, а не как психопатология
✔️Более половины авторов продавали товары или просили донаты, а профессиональную квалификацию указывали единицы
📈 Как это влияет на восприятие СДВГ у молодёжи?
Вторая часть исследования включала 843 студентов (18–25 лет), с разными статусами: без диагноза, с самодиагностикой и с подтверждённым диагнозом ADHD.
Выяснилось что:
✔️Чем чаще человек смотрит #ADHD TikTok — тем выше его оценка достоверности этого контента
✔️Частый просмотр связан с завышенной оценкой распространённости СДВГ в обществе (в среднем — 33%, при реальной оценке 3–7%)
✔️Просмотр 10 видео TikTok повышал уверенность у самодиагностов, что у них есть СДВГ. У участников без диагноза — снижал уверенность, что у них его нет
✔️После просмотра объяснения от психолога уверенность частично восстанавливалась, но только у тех, у кого СДВГ не было
📱 Почему это происходит?
🔹 TikTok показывает то, что хочется видеть: алгоритмы усиливают эффект “эхо-камеры” и подтверждения собственных убеждений
🔹 Формат коротких видео не даёт места для нюансов: зритель запоминает яркое, личное, эмоциональное
🔹 Многие авторы действуют из лучших побуждений, но недостаток проверенной информации и общих оговорок искажает восприятие
🎭 TikTok — это зло? Нет. Но…
Исследователи подчёркивают:
🔹 TikTok даёт чувство поддержки и принадлежности, особенно женщинам и молодым людям, ранее игнорируемым системой
🔹 Он помогает снять стигму и подтолкнуть к обращению за помощью
❗️ Но он не должен быть заменой диагностике и научно обоснованному лечению
На самом деле подобные исследования уже проводились в прошлом (напр. Yeung A et al., Can J Psychiatry. 2022 Dec;67(12):899-906) и пришли к аналогичным выводам...
🛡 Что можно сделать?
✔️ Психологам и врачам — слушать и не обесценивать, но при этом объяснять научно-обоснованно и включать эмпатию
✔️ Пациентам — искать подтверждение своих ощущений у профессионалов, не ограничиваться TikTok
✔️ Всем нам — развивать критическое мышление и уважение к профессиональному знанию
💬 А как вы относитесь к медицинской информации в TikTok? Считаете ли вы, что там можно найти пользу — или это зона повышенного риска? Давайте обсудим вместе! 👇
#УголокМедНауки #СДВГ #ADHD #TikTok #Дезинформация #ПсихическоеЗдоровье #Самодиагностика #EBM #ДоказательнаяМедицина #ВоскресныеНовости
22.03.202512:10
📊 Индекс Хирша ≠ ценность учёного
🧠 Наука — не гонка за цифрами
Но людям нужно на что-то ориентироваться, потому-что мы живём в мире сравнения себя с другими.
В академическом мире, особенно в некоторых странах, есть свои "индикаторы" и стереотипы: чем выше индекс Хирша (h-index), тем "успешнее" учёный.
Именно этим числом часто пытаются измерить вклад, качество и даже "вес" человека в науке.
Как человек с достаточно высоким индексом Хирша и цитируемостью (Google Scholar, Stanford/Elsevier's Top 2% Scientist Rankings), я считаю себя вправе критиковать его, потому-что понимаю, как работают эти метрики — и почему они не всегда отражают реальную ценность научной работы.
🔍 Что такое индекс Хирша?
Индекс Хирша (h-index) = количество публикаций, процитированных не менее чем h раз каждая
Пример: если у вас 15 статей, и каждая из них процитирована ≥15 раз → h = 15
📌 Звучит казалось бы, как неплохой показатель, но…
⚠️ Почему нельзя судить о научной ценности только по h-index и цитируемости?
1️⃣ Тематика влияет на цитируемость
Некоторые темы "на слуху" (COVID-19, онкология, big data), а другие — нишевые. Это влияет на цитируемость, но не на научную глубину
2️⃣ Объём и команда ≠ вклад
В больших консорциумах все получают одинаковые баллы к индексу, но вклад может отличаться многократно
3️⃣ Цитируют ≠ соглашаются
Можно быть процитированным за ошибку или спорную гипотезу - h-index этого не различает
4️⃣ Наука — это не только публикации
Менторство, рецензирование, методологическая работа, развитие дисциплины — всё это не попадает в метрики, но имеет колоссальное значение
5️⃣ Метрики можно "оптимизировать"
Salami slicing, «взаимные цитирования», публикации в «своих» журналах — всё это увеличивает индекс, но не обязательно продвигает науку.
6️⃣ Индекс Хирша не любит молодость
Даже если два исследователя одинаково талантливы, у старшего почти всегда выше h-index — просто потому что:
- он публикуется дольше
- его статьи успели набрать цитирования
- он чаще входит в авторские коллективы
📌 Это делает h-index нечувствительным к "карьерному возрасту". Поэтому важно смотреть на показатели в контексте:
🔹 сколько лет прошло с начала активной научной деятельности?
🔹 в какой области работает учёный?
🔹 какие роли он/она выполняет (лидер проекта, методолог, статистик и т.д.)?
💬 Что делать?
Это конечно сложный вопрос, на который нет однозначного ответа ☺️
🔹 Да, цитируемость важна, и h-index может быть полезным ориентиром
🔹 Но нельзя превращать его в единственный критерий научной состоятельности
🔹 Наука — это не только цифры. Это вопросы, которые мы поднимаем, идеи, которые передаём, люди, которых мы учим
🔹 Статьи — это не самоцель, а просто прекрасный способ поделиться своими результатами с миром, в надежде, что они на что-то повлияют
Поэтому — оценивайте не только по метрике, а по смыслу, по классным и успешным завершенным проектам 😊
А что вы думаете об индексе Хирша и цитируемости? Насколько они адекватно отражают вклад в науку? 🙃
#УголокМедНауки #ИндексХирша #Наукометрия #Цитируемость #АкадемическаяКарьера #НаучнаяЭтика #EBM #Методология #КакПонятьНауку
🧠 Наука — не гонка за цифрами
Но людям нужно на что-то ориентироваться, потому-что мы живём в мире сравнения себя с другими.
В академическом мире, особенно в некоторых странах, есть свои "индикаторы" и стереотипы: чем выше индекс Хирша (h-index), тем "успешнее" учёный.
Именно этим числом часто пытаются измерить вклад, качество и даже "вес" человека в науке.
Как человек с достаточно высоким индексом Хирша и цитируемостью (Google Scholar, Stanford/Elsevier's Top 2% Scientist Rankings), я считаю себя вправе критиковать его, потому-что понимаю, как работают эти метрики — и почему они не всегда отражают реальную ценность научной работы.
🔍 Что такое индекс Хирша?
Индекс Хирша (h-index) = количество публикаций, процитированных не менее чем h раз каждая
Пример: если у вас 15 статей, и каждая из них процитирована ≥15 раз → h = 15
📌 Звучит казалось бы, как неплохой показатель, но…
⚠️ Почему нельзя судить о научной ценности только по h-index и цитируемости?
1️⃣ Тематика влияет на цитируемость
Некоторые темы "на слуху" (COVID-19, онкология, big data), а другие — нишевые. Это влияет на цитируемость, но не на научную глубину
2️⃣ Объём и команда ≠ вклад
В больших консорциумах все получают одинаковые баллы к индексу, но вклад может отличаться многократно
3️⃣ Цитируют ≠ соглашаются
Можно быть процитированным за ошибку или спорную гипотезу - h-index этого не различает
4️⃣ Наука — это не только публикации
Менторство, рецензирование, методологическая работа, развитие дисциплины — всё это не попадает в метрики, но имеет колоссальное значение
5️⃣ Метрики можно "оптимизировать"
Salami slicing, «взаимные цитирования», публикации в «своих» журналах — всё это увеличивает индекс, но не обязательно продвигает науку.
6️⃣ Индекс Хирша не любит молодость
Даже если два исследователя одинаково талантливы, у старшего почти всегда выше h-index — просто потому что:
- он публикуется дольше
- его статьи успели набрать цитирования
- он чаще входит в авторские коллективы
📌 Это делает h-index нечувствительным к "карьерному возрасту". Поэтому важно смотреть на показатели в контексте:
🔹 сколько лет прошло с начала активной научной деятельности?
🔹 в какой области работает учёный?
🔹 какие роли он/она выполняет (лидер проекта, методолог, статистик и т.д.)?
💬 Что делать?
Это конечно сложный вопрос, на который нет однозначного ответа ☺️
🔹 Да, цитируемость важна, и h-index может быть полезным ориентиром
🔹 Но нельзя превращать его в единственный критерий научной состоятельности
🔹 Наука — это не только цифры. Это вопросы, которые мы поднимаем, идеи, которые передаём, люди, которых мы учим
🔹 Статьи — это не самоцель, а просто прекрасный способ поделиться своими результатами с миром, в надежде, что они на что-то повлияют
Поэтому — оценивайте не только по метрике, а по смыслу, по классным и успешным завершенным проектам 😊
А что вы думаете об индексе Хирша и цитируемости? Насколько они адекватно отражают вклад в науку? 🙃
#УголокМедНауки #ИндексХирша #Наукометрия #Цитируемость #АкадемическаяКарьера #НаучнаяЭтика #EBM #Методология #КакПонятьНауку
21.03.202513:45
🧠 Real-World Evidence vs. Clinical Trials: союз или противостояние?
🔍 Когда данные из реальной жизни становятся основанием для регуляторных решений
Как вы все знаете, рандомизированные клинические испытания (РКИ, RCT) — это «золотой стандарт» доказательной медицины.
Но у РКИ есть ограничения:
📌 включают только определённые группы пациентов
📌 проводятся в контролируемых условиях
📌 не отражают повседневную практику
Именно тут в дело вступают RWD (Real-World Data) и RWE (Real-World Evidence).
RWD — это данные из реальной клинической практики: электронные медкарты, регистры, страховые базы.
RWE — это научные выводы, доказательная база, полученная при анализе этих данных.
Сегодня RWE активно используют FDA, EMA, NCCN и другие регуляторы — особенно при оценке редких состояний, онкологических препаратов и в экстренных ситуациях.
📍 Примеры RWE в действии
🦠 COVID-19: эффективность вакцин
📖 Источник: Dagan et al., NEJM 2021
📍 Данные из Clalit Health Services (Израиль) — >1,1 млн человек
📌 Подтвердили эффективность вакцины Pfizer в «реальных» условиях:
92% защита от инфицирования
87% от госпитализации
92% от тяжёлого течения
➡️ Использовано для принятия решений о бустерах и приоритетных группах вакцинации
🧬 Онкология: таргетная терапия off-label
📖 Источник: Singal et al., JAMA 2019
📍 База данных Flatiron Health: данные из EHR + генетические профили опухолей
📌 Позволила оценить эффективность терапии при редких мутациях (например, EGFR, ALK, ROS1) у пациентов с немелкоклеточным раком лёгких вне РКИ
➡️ Использовалась для обновления рекомендаций NCCN по off-label использованию препаратов
🧪 Фармаконадзор: риск рака мочевого пузыря
📖 Источник: Lewis et al., JAMA 2015
📍 Данные из Kaiser Permanente (>190 тыс. человек с диабетом)
📌 RWE показали потенциальную связь между применением пиоглитазона и раком мочевого пузыря
➡️ Это привело к предупреждениям FDA и EMA и изменению практики назначения препарата
🤝 RCT и RWE — не конкуренты, а союзники
РКИ дают внутреннюю достоверность
RWE показывает, как терапия работает в реальной жизни
Вместе они формируют устойчивую основу для клинических решений
📌 Таким образом
✔️ RWE помогает понять, как лечение работает у реальных пациентов
✔️ Это особенно важно в онкологии, фармаконадзоре, редких заболеваниях и при эпидемиях и пандемиях
✔️ Всё больше регуляторов официально признают роль RWE в принятии решений
❓ А в каких областях медицины, на ваш взгляд, особенно не хватает данных из реальной жизни? 🤔👇
P.S. Картинка из статьи Snyder JM et al. Curr Oncol Rep. 2020 Apr 16;22(5):45.
#УголокМедНауки #RealWorldEvidence #RWE #RWD #ДоказательнаяМедицина #FDA #Методология #EBM #БольшиеДанные #КакПонятьНауку
🔍 Когда данные из реальной жизни становятся основанием для регуляторных решений
Как вы все знаете, рандомизированные клинические испытания (РКИ, RCT) — это «золотой стандарт» доказательной медицины.
Но у РКИ есть ограничения:
📌 включают только определённые группы пациентов
📌 проводятся в контролируемых условиях
📌 не отражают повседневную практику
Именно тут в дело вступают RWD (Real-World Data) и RWE (Real-World Evidence).
RWD — это данные из реальной клинической практики: электронные медкарты, регистры, страховые базы.
RWE — это научные выводы, доказательная база, полученная при анализе этих данных.
Сегодня RWE активно используют FDA, EMA, NCCN и другие регуляторы — особенно при оценке редких состояний, онкологических препаратов и в экстренных ситуациях.
📍 Примеры RWE в действии
🦠 COVID-19: эффективность вакцин
📖 Источник: Dagan et al., NEJM 2021
📍 Данные из Clalit Health Services (Израиль) — >1,1 млн человек
📌 Подтвердили эффективность вакцины Pfizer в «реальных» условиях:
92% защита от инфицирования
87% от госпитализации
92% от тяжёлого течения
➡️ Использовано для принятия решений о бустерах и приоритетных группах вакцинации
🧬 Онкология: таргетная терапия off-label
📖 Источник: Singal et al., JAMA 2019
📍 База данных Flatiron Health: данные из EHR + генетические профили опухолей
📌 Позволила оценить эффективность терапии при редких мутациях (например, EGFR, ALK, ROS1) у пациентов с немелкоклеточным раком лёгких вне РКИ
➡️ Использовалась для обновления рекомендаций NCCN по off-label использованию препаратов
🧪 Фармаконадзор: риск рака мочевого пузыря
📖 Источник: Lewis et al., JAMA 2015
📍 Данные из Kaiser Permanente (>190 тыс. человек с диабетом)
📌 RWE показали потенциальную связь между применением пиоглитазона и раком мочевого пузыря
➡️ Это привело к предупреждениям FDA и EMA и изменению практики назначения препарата
🤝 RCT и RWE — не конкуренты, а союзники
РКИ дают внутреннюю достоверность
RWE показывает, как терапия работает в реальной жизни
Вместе они формируют устойчивую основу для клинических решений
📌 Таким образом
✔️ RWE помогает понять, как лечение работает у реальных пациентов
✔️ Это особенно важно в онкологии, фармаконадзоре, редких заболеваниях и при эпидемиях и пандемиях
✔️ Всё больше регуляторов официально признают роль RWE в принятии решений
❓ А в каких областях медицины, на ваш взгляд, особенно не хватает данных из реальной жизни? 🤔👇
P.S. Картинка из статьи Snyder JM et al. Curr Oncol Rep. 2020 Apr 16;22(5):45.
#УголокМедНауки #RealWorldEvidence #RWE #RWD #ДоказательнаяМедицина #FDA #Методология #EBM #БольшиеДанные #КакПонятьНауку
20.03.202512:30
Использование AI в научной работе и говорить ли об этом в публикациях? 🤖📚
Искусственный интеллект (AI) становится незаменимым помощником в научных исследованиях, помогая анализировать данные, улучшать текст и структурировать информацию. И мы понимаем, что его использование будет становиться только более и более активным. Однако, его использование требует ответственности, а заявление об использовании AI должно быть максимально прозрачным.
Полезные AI-инструменты для исследователей ☺️👨🏽💻👩🔬
🔍 Поиск и анализ литературы
📌 SciSpace – анализирует научные статьи, отвечает на вопросы по содержанию
📌 Elicit – помогает находить релевантные публикации и извлекать ключевые данные
📌 Research Rabbit – визуализирует связи между научными статьями
📌 SciteAI – оценивает надежность научных публикаций, анализируя цитирования и контекст ссылок, может быстро предоставить список актуальной литературы по вопросу
✍️ Генерация и улучшение текста
📌 ChatGPT – помогает структурировать текст и редактировать стиль, обсуждать различные темы и получать ответы на вопросы
📌 Thesis AI – ассистент для написания диссертаций и статей
📌 Thesify – подбирает синонимы и улучшает научный стиль
📌 Grammarly / Trinka AI / Writefull – проверка грамматики и стиля в академических текстах
📊 Анализ данных и кодирование
📌 JASP, ChatGPT (Python-код) – обработка данных, статистический анализ
🎨 Создание визуализаций
📌 BioRender – профессиональные научные иллюстрации
📌 DALL·E 3, MidJourney – генерация изображений с помощью AI
📌 Mind the Graph – удобный инструмент для создания инфографики и графических абстрактов
❓Как правильно упоминать использование AI?
Я настоятельно рекомендую проверять author guidelines конкретного журнала перед подачей статьи.
На сегодняшний день применение AI при написании научных статей остается предметом жарких дискуссий.
Общая рекомендация заключается в том, что AI не может быть автором статьи, но его вклад и использование должно быть четко указаны!
Примеры AI acknowledgment statements:
✅ Обычно встречающийся statement для статьи:
"During the preparation of this work, the authors used ChatGPT to improve the grammatical structure and readability. After using this tool, the authors reviewed and edited the content as needed and take full responsibility for the content of the publication."
✅ Указание генерации текста и идей:
"The authors used Thesis AI to assist with structuring the manuscript. The final content was reviewed and revised by the authors to ensure accuracy and originality."
✅ Для поиска литературы и анализа данных:
"SciSpace and Elicit were used to facilitate literature search and summarisation. The selection and interpretation of sources were conducted independently by the authors."
✅ Для визуализации данных:
"Figures in this manuscript were created using Mind the Graph and BioRender. The authors take full responsibility for the accuracy and interpretation of the visual materials."
Этические моменты
⚠️ AI может генерировать ошибки – всегда проверяйте вручную!
⚠️ Фабрикация данных при помощи AI недопустима!
⚠️ AI-редакторы – это помощник, но не замена научному мышлению
💬 А как ты используешь AI в своей научной работе? ☺️ Делись своим опытом в комментариях! ⬇️
#УголокМедНауки #AIвНауке #AI #ИскусственныйИнтеллект #НаучныеИсследования #ChatGPT #SciSpace #ThesisAI #Elicit #Grammarly #TrinkaAI #JASP #BioRender #MindTheGraph #НаучныеСтатьи #DataScience #OpenScience #ResearchTools
Искусственный интеллект (AI) становится незаменимым помощником в научных исследованиях, помогая анализировать данные, улучшать текст и структурировать информацию. И мы понимаем, что его использование будет становиться только более и более активным. Однако, его использование требует ответственности, а заявление об использовании AI должно быть максимально прозрачным.
Полезные AI-инструменты для исследователей ☺️👨🏽💻👩🔬
🔍 Поиск и анализ литературы
📌 SciSpace – анализирует научные статьи, отвечает на вопросы по содержанию
📌 Elicit – помогает находить релевантные публикации и извлекать ключевые данные
📌 Research Rabbit – визуализирует связи между научными статьями
📌 SciteAI – оценивает надежность научных публикаций, анализируя цитирования и контекст ссылок, может быстро предоставить список актуальной литературы по вопросу
✍️ Генерация и улучшение текста
📌 ChatGPT – помогает структурировать текст и редактировать стиль, обсуждать различные темы и получать ответы на вопросы
📌 Thesis AI – ассистент для написания диссертаций и статей
📌 Thesify – подбирает синонимы и улучшает научный стиль
📌 Grammarly / Trinka AI / Writefull – проверка грамматики и стиля в академических текстах
📊 Анализ данных и кодирование
📌 JASP, ChatGPT (Python-код) – обработка данных, статистический анализ
🎨 Создание визуализаций
📌 BioRender – профессиональные научные иллюстрации
📌 DALL·E 3, MidJourney – генерация изображений с помощью AI
📌 Mind the Graph – удобный инструмент для создания инфографики и графических абстрактов
❓Как правильно упоминать использование AI?
Я настоятельно рекомендую проверять author guidelines конкретного журнала перед подачей статьи.
На сегодняшний день применение AI при написании научных статей остается предметом жарких дискуссий.
Общая рекомендация заключается в том, что AI не может быть автором статьи, но его вклад и использование должно быть четко указаны!
Примеры AI acknowledgment statements:
✅ Обычно встречающийся statement для статьи:
"During the preparation of this work, the authors used ChatGPT to improve the grammatical structure and readability. After using this tool, the authors reviewed and edited the content as needed and take full responsibility for the content of the publication."
✅ Указание генерации текста и идей:
"The authors used Thesis AI to assist with structuring the manuscript. The final content was reviewed and revised by the authors to ensure accuracy and originality."
✅ Для поиска литературы и анализа данных:
"SciSpace and Elicit were used to facilitate literature search and summarisation. The selection and interpretation of sources were conducted independently by the authors."
✅ Для визуализации данных:
"Figures in this manuscript were created using Mind the Graph and BioRender. The authors take full responsibility for the accuracy and interpretation of the visual materials."
Этические моменты
⚠️ AI может генерировать ошибки – всегда проверяйте вручную!
⚠️ Фабрикация данных при помощи AI недопустима!
⚠️ AI-редакторы – это помощник, но не замена научному мышлению
💬 А как ты используешь AI в своей научной работе? ☺️ Делись своим опытом в комментариях! ⬇️
#УголокМедНауки #AIвНауке #AI #ИскусственныйИнтеллект #НаучныеИсследования #ChatGPT #SciSpace #ThesisAI #Elicit #Grammarly #TrinkaAI #JASP #BioRender #MindTheGraph #НаучныеСтатьи #DataScience #OpenScience #ResearchTools
19.03.202513:35
🔬 Исходы в клинических исследованиях: почему они важны?
Когда мы оцениваем эффективность лечения, важно понимать, что в рамках исследования оценивают некие параметры в качестве "конечной точки". Какие именно исходы (outcomes) измеряют учёные? Как их выбирают?
📌 Исход (endpoint, outcome) – это параметр, который исследователи используют для оценки эффективности лечения или его безопасности.
Но не все исходы одинаково полезны. Разные исследования могут использовать разные исходы, что мешает сравнивать результаты и формировать клинические рекомендации.
💡 Пример проблемы:
В исследованиях лечения астмы один учёный оценивает частоту приступов, а другой – качество жизни пациентов.
Как их результаты можно объединить в систематическом обзоре или метаанализе?
📌 Какие бывают исходы в клинических исследованиях?
🔹 Первичные (Primary outcomes)
✔️ Главный показатель, по которому оценивают эффективность лечения
✔️ Например, в исследовании лекарства от гипертонии первичным исходом может быть изменение артериального давления
🔹 Вторичные (Secondary outcomes)
✔️ Дополнительные показатели, которые дают более полную картину
✔️ Например, при изучении гипертонии можно измерять частоту инфарктов или побочные эффекты
🔹 Суррогатные (Surrogate outcomes)
✔️ Биомаркеры, которые предположительно связаны с клиническими исходами
✔️ Проблема: зачастую улучшение суррогатных показателей НЕ означает реальную, ощутимую, пользу для пациента
📌 Пример ошибки с суррогатными исходами:
Фавипиравир – это противовирусный препарат, изучавшийся в исследованиях по лечению COVID-19. В систематическом обзоре и метаанализе (Hung et al., 2022) авторы оценивали его эффективность и безопасность по нескольким параметрам.
✔️ Скорость элиминации вируса
✔️ Снижение температуры
✔️ Рентгенологическое улучшение состояния лёгких
✔️ Клиническое улучшение
✔️ Длительность госпитализации
✔️ Смертность
⚠️ Где проблема с суррогатными исходами?
🚨 Важно понимать: скорость элиминации вируса или снижение температуры – это не то же самое, что снижение смертности или улучшение долгосрочных клинических исходов. Пациенты, получавшие фавипиравир, быстрее избавлялись от вируса, также раньше "спадала" температура, НО смертность в группах фавипиравира и стандартного лечения НЕ различалась.
💡 Что это значит?
✔️Быстрое очищение организма от вируса не всегда приводит к улучшению клинических исходов
✔️Клиническое выздоровление и снижение смертности – более значимые конечные точки, чем просто лабораторные показатели
⚖️ Почему важно стандартизировать исходы?
🚨 Гетерогенность исходов и способов их оценки – одна из основных проблем современных исследований
🔹 Разные исследования по одной и той же теме могут использовать разные критерии эффективности
🔹 Это мешает проводить метаанализы и формировать доказательную базу
Если в каждом исследовании измеряют разные параметры, объединить их результаты сложно или невозможно.
👉 Чтобы решить эту проблему, разрабатываются Core Outcome Sets (COS) – стандартизированные списки ключевых исходов, которые должны включаться во все исследования по данной теме. Разработка COS помогает сделать результаты исследований более сопоставимыми и улучшить клинические рекомендации.
📌 Примеры COS:
🔹Eczema
🔹Post-covid-19 condition
🔹Rheumatology
Если все исследования используют одни и те же исходы, их результаты можно объединять и анализировать 😊
🌍 COMET (Core Outcome Measures in Effectiveness Trials) Initiative – это глобальная инициатива, которая помогает исследователям разрабатывать и внедрять Core Outcome Sets
📢 Вывод
✔️ Выбор исходов – критически важный этап в клинических исследованиях
✔️ Использование Core Outcome Sets делает исследования более сравнимыми и полезными для клинической практики
✔️ COMET Initiative помогает внедрять COS, чтобы улучшить доказательную медицину
💬 Как думаете, в каких ещё областях медицины не хватает стандартизации исходов ? Давайте обсудим! ☺️
#УголокМедНауки #CoreOutcomeSet #COMET #КлиническиеИсследования #Методология #EBM #МетаАнализ #СтандартизацияДанных
Когда мы оцениваем эффективность лечения, важно понимать, что в рамках исследования оценивают некие параметры в качестве "конечной точки". Какие именно исходы (outcomes) измеряют учёные? Как их выбирают?
📌 Исход (endpoint, outcome) – это параметр, который исследователи используют для оценки эффективности лечения или его безопасности.
Но не все исходы одинаково полезны. Разные исследования могут использовать разные исходы, что мешает сравнивать результаты и формировать клинические рекомендации.
💡 Пример проблемы:
В исследованиях лечения астмы один учёный оценивает частоту приступов, а другой – качество жизни пациентов.
Как их результаты можно объединить в систематическом обзоре или метаанализе?
📌 Какие бывают исходы в клинических исследованиях?
🔹 Первичные (Primary outcomes)
✔️ Главный показатель, по которому оценивают эффективность лечения
✔️ Например, в исследовании лекарства от гипертонии первичным исходом может быть изменение артериального давления
🔹 Вторичные (Secondary outcomes)
✔️ Дополнительные показатели, которые дают более полную картину
✔️ Например, при изучении гипертонии можно измерять частоту инфарктов или побочные эффекты
🔹 Суррогатные (Surrogate outcomes)
✔️ Биомаркеры, которые предположительно связаны с клиническими исходами
✔️ Проблема: зачастую улучшение суррогатных показателей НЕ означает реальную, ощутимую, пользу для пациента
📌 Пример ошибки с суррогатными исходами:
Фавипиравир – это противовирусный препарат, изучавшийся в исследованиях по лечению COVID-19. В систематическом обзоре и метаанализе (Hung et al., 2022) авторы оценивали его эффективность и безопасность по нескольким параметрам.
✔️ Скорость элиминации вируса
✔️ Снижение температуры
✔️ Рентгенологическое улучшение состояния лёгких
✔️ Клиническое улучшение
✔️ Длительность госпитализации
✔️ Смертность
⚠️ Где проблема с суррогатными исходами?
🚨 Важно понимать: скорость элиминации вируса или снижение температуры – это не то же самое, что снижение смертности или улучшение долгосрочных клинических исходов. Пациенты, получавшие фавипиравир, быстрее избавлялись от вируса, также раньше "спадала" температура, НО смертность в группах фавипиравира и стандартного лечения НЕ различалась.
💡 Что это значит?
✔️Быстрое очищение организма от вируса не всегда приводит к улучшению клинических исходов
✔️Клиническое выздоровление и снижение смертности – более значимые конечные точки, чем просто лабораторные показатели
⚖️ Почему важно стандартизировать исходы?
🚨 Гетерогенность исходов и способов их оценки – одна из основных проблем современных исследований
🔹 Разные исследования по одной и той же теме могут использовать разные критерии эффективности
🔹 Это мешает проводить метаанализы и формировать доказательную базу
Если в каждом исследовании измеряют разные параметры, объединить их результаты сложно или невозможно.
👉 Чтобы решить эту проблему, разрабатываются Core Outcome Sets (COS) – стандартизированные списки ключевых исходов, которые должны включаться во все исследования по данной теме. Разработка COS помогает сделать результаты исследований более сопоставимыми и улучшить клинические рекомендации.
📌 Примеры COS:
🔹Eczema
🔹Post-covid-19 condition
🔹Rheumatology
Если все исследования используют одни и те же исходы, их результаты можно объединять и анализировать 😊
🌍 COMET (Core Outcome Measures in Effectiveness Trials) Initiative – это глобальная инициатива, которая помогает исследователям разрабатывать и внедрять Core Outcome Sets
📢 Вывод
✔️ Выбор исходов – критически важный этап в клинических исследованиях
✔️ Использование Core Outcome Sets делает исследования более сравнимыми и полезными для клинической практики
✔️ COMET Initiative помогает внедрять COS, чтобы улучшить доказательную медицину
💬 Как думаете, в каких ещё областях медицины не хватает стандартизации исходов ? Давайте обсудим! ☺️
#УголокМедНауки #CoreOutcomeSet #COMET #КлиническиеИсследования #Методология #EBM #МетаАнализ #СтандартизацияДанных
18.03.202516:31
🌍 Rapid Medicine – новости медицины, которые всегда под рукой!
Друзья, хочу поделиться с вами классной находкой, о которой не знал, оказывается Medach, который все вы и без меня прекрасно знаете 😁 запустил Rapid Medicine. Это новостной агрегатор, где быстро и понятно рассказывают о самом важном в мире медицины: свежие исследования, изменения в клинических рекомендациях, научные открытия и многое другое.
Мне нравится, что всё подаётся оперативно, без лишней воды, но с фокусом на действительно значимые события. Если вам, как и мне, хочется быть в курсе происходящего глобально в медицине, очень рекомендую заглянуть!
🔗 https://t.me/rapid_medicine
Друзья, хочу поделиться с вами классной находкой, о которой не знал, оказывается Medach, который все вы и без меня прекрасно знаете 😁 запустил Rapid Medicine. Это новостной агрегатор, где быстро и понятно рассказывают о самом важном в мире медицины: свежие исследования, изменения в клинических рекомендациях, научные открытия и многое другое.
Мне нравится, что всё подаётся оперативно, без лишней воды, но с фокусом на действительно значимые события. Если вам, как и мне, хочется быть в курсе происходящего глобально в медицине, очень рекомендую заглянуть!
🔗 https://t.me/rapid_medicine
18.03.202512:38
🔍 Методология исследований - cистематическая ошибка выжившего (survival bias)
В медицинских исследованиях, да и в жизни в целом, мы часто сталкиваемся с ситуацией, когда наши выводы оказываются искажёнными. Одной из причин этого является систематическая ошибка (bias) – склонность анализировать данные или делать выводы не объективно, а с предвзятостью, зависящей от метода сбора информации.
📌 Почему это важно?
Bias может привести к неправильным выводам: если информация собрана не полностью или рассматривается однобоко, это может исказить реальную картину.
Один из самых известных примеров bias – cистематическая ошибка выжившего (survival bias). Давайте разберёмся, как оно работает.
📜 История времён Второй мировой войны: броня нужна не там, где кажется...
Во время Второй мировой войны командование американских и британских ВВС столкнулось с важной задачей: уменьшить потери боевой авиации. Требовалось понять, какие части самолёта нужно усилить бронёй, чтобы повысить его выживаемость в бою.
Для решения этой задачи привлекли математика Abraham Wald, который применил статистический анализ.
✔️ Вальд изучил самолёты, вернувшиеся с боевых вылетов, и отметил, что пробоины чаще всего встречались на крыльях, фюзеляже и хвосте
✔️ Казалось логичным укрепить именно эти зоны, ведь именно там самолёты чаще всего получали повреждения
Однако Вальд взглянул на проблему иначе:
🧐 А что с самолётами, которые НЕ вернулись?
Эти самолёты не смогли вернуться, потому что попадания пришлись на по-настоящему критически важные зоны, которые Вальд практически не видел на уцелевших самолётах.
📌 Истинный вывод: укреплять нужно не те участки, где было больше всего пробоин, а те, где их почти не было. Ведь именно эти попадания приводили к гибели самолёта.
💡 Этот случай стал классическим примером survival bias – ошибки анализа только "выживших" данных.
🏥 Как survival bias проявляется в медицине и не только?
🔹 Исследования долголетия
"Люди, дожившие до 100 лет, всю жизнь курили сигары и пили виски. Значит, это не так вредно?"
✔️ Проблема: мы видим только тех, кто дожил до преклонного возраста, но не учитываем тех, кто умер раньше из-за вредных привычек.
🔹 Миф о "миллиардерах без высшего образования"
"Марк Цукерберг, Билл Гейтс и Стив Джобс бросили университет – значит, образование не нужно для успеха!"
✔️ Проблема: мы видим только тех, кто добился успеха, но не учитываем тысячи стартаперов, не окончивших вуз и оставшихся без карьеры.
🔹 Учёные изучают новый метод лечения тяжёлой формы рака
После нескольких лет наблюдений они замечают, что пациенты, прошедшие полное лечение, живут в среднем дольше, чем те, кто его не прошёл.
📌 Вывод на первый взгляд: лечение эффективно, ведь пациенты, получившие его, живут дольше.
Но давайте посмотрим внимательнее:
✔️ Что упущено?
Мы анализируем только тех, кто завершил лечение. Но ведь есть пациенты, которым терапия не подошла, и они не смогли её закончить (например, из-за тяжёлых побочных эффектов или быстрого прогрессирования болезни).
✔️ Как это влияет на выводы?
Если исключить из анализа пациентов, которые не смогли пройти лечение, можно завысить его эффективность. Ведь самые тяжёлые случаи просто "исчезли" из выборки.
✔️ Подход к анализу
Чтобы избежать survival bias, нужно учитывать ВСЕХ пациентов, включая тех, кто не смог пройти лечение до конца.
🔎 Как избежать ошибки выжившего?
🔹 Анализировать всю выборку, а не только "успешные" случаи.
🔹 Обращать внимание на критерии включения и исключения в исследованиях.
🔹 Всегда задавать вопрос: кто не попал в анализ и почему?
📌 Вывод
Мы склонны замечать только те примеры, которые находятся на виду. Однако без учёта "невидимых" данных можно прийти к ошибочным выводам.
💬 Бывали ли у вас случаи, когда survival bias приводил к неожиданным выводам? Будет интересно обсудить!
Пара примеров ☺️
Anderson CD et al. Circ Cardiovasc Genet. 2011 Apr;4(2):188-96
Vansteelandt S et al. Biostatistics. 2018 Oct 1;19(4):426-443
#УголокМедНауки #Методология #Bias #СистематическаяОшибка #SurvivalBias #МедицинскаяСтатистика #EBM
В медицинских исследованиях, да и в жизни в целом, мы часто сталкиваемся с ситуацией, когда наши выводы оказываются искажёнными. Одной из причин этого является систематическая ошибка (bias) – склонность анализировать данные или делать выводы не объективно, а с предвзятостью, зависящей от метода сбора информации.
📌 Почему это важно?
Bias может привести к неправильным выводам: если информация собрана не полностью или рассматривается однобоко, это может исказить реальную картину.
Один из самых известных примеров bias – cистематическая ошибка выжившего (survival bias). Давайте разберёмся, как оно работает.
📜 История времён Второй мировой войны: броня нужна не там, где кажется...
Во время Второй мировой войны командование американских и британских ВВС столкнулось с важной задачей: уменьшить потери боевой авиации. Требовалось понять, какие части самолёта нужно усилить бронёй, чтобы повысить его выживаемость в бою.
Для решения этой задачи привлекли математика Abraham Wald, который применил статистический анализ.
✔️ Вальд изучил самолёты, вернувшиеся с боевых вылетов, и отметил, что пробоины чаще всего встречались на крыльях, фюзеляже и хвосте
✔️ Казалось логичным укрепить именно эти зоны, ведь именно там самолёты чаще всего получали повреждения
Однако Вальд взглянул на проблему иначе:
🧐 А что с самолётами, которые НЕ вернулись?
Эти самолёты не смогли вернуться, потому что попадания пришлись на по-настоящему критически важные зоны, которые Вальд практически не видел на уцелевших самолётах.
📌 Истинный вывод: укреплять нужно не те участки, где было больше всего пробоин, а те, где их почти не было. Ведь именно эти попадания приводили к гибели самолёта.
💡 Этот случай стал классическим примером survival bias – ошибки анализа только "выживших" данных.
🏥 Как survival bias проявляется в медицине и не только?
🔹 Исследования долголетия
"Люди, дожившие до 100 лет, всю жизнь курили сигары и пили виски. Значит, это не так вредно?"
✔️ Проблема: мы видим только тех, кто дожил до преклонного возраста, но не учитываем тех, кто умер раньше из-за вредных привычек.
🔹 Миф о "миллиардерах без высшего образования"
"Марк Цукерберг, Билл Гейтс и Стив Джобс бросили университет – значит, образование не нужно для успеха!"
✔️ Проблема: мы видим только тех, кто добился успеха, но не учитываем тысячи стартаперов, не окончивших вуз и оставшихся без карьеры.
🔹 Учёные изучают новый метод лечения тяжёлой формы рака
После нескольких лет наблюдений они замечают, что пациенты, прошедшие полное лечение, живут в среднем дольше, чем те, кто его не прошёл.
📌 Вывод на первый взгляд: лечение эффективно, ведь пациенты, получившие его, живут дольше.
Но давайте посмотрим внимательнее:
✔️ Что упущено?
Мы анализируем только тех, кто завершил лечение. Но ведь есть пациенты, которым терапия не подошла, и они не смогли её закончить (например, из-за тяжёлых побочных эффектов или быстрого прогрессирования болезни).
✔️ Как это влияет на выводы?
Если исключить из анализа пациентов, которые не смогли пройти лечение, можно завысить его эффективность. Ведь самые тяжёлые случаи просто "исчезли" из выборки.
✔️ Подход к анализу
Чтобы избежать survival bias, нужно учитывать ВСЕХ пациентов, включая тех, кто не смог пройти лечение до конца.
🔎 Как избежать ошибки выжившего?
🔹 Анализировать всю выборку, а не только "успешные" случаи.
🔹 Обращать внимание на критерии включения и исключения в исследованиях.
🔹 Всегда задавать вопрос: кто не попал в анализ и почему?
📌 Вывод
Мы склонны замечать только те примеры, которые находятся на виду. Однако без учёта "невидимых" данных можно прийти к ошибочным выводам.
💬 Бывали ли у вас случаи, когда survival bias приводил к неожиданным выводам? Будет интересно обсудить!
Пара примеров ☺️
Anderson CD et al. Circ Cardiovasc Genet. 2011 Apr;4(2):188-96
Vansteelandt S et al. Biostatistics. 2018 Oct 1;19(4):426-443
#УголокМедНауки #Методология #Bias #СистематическаяОшибка #SurvivalBias #МедицинскаяСтатистика #EBM
17.03.202514:03
Продолжаем говорить о видах исследований в медицине
🔍 5. Cистематический обзор (Systematic Review) - синтезируем доказательную базу
В мире публикуются тысячи медицинских исследований каждый год. Как врачам, учёным и организаторам разобраться, что действительно работает? 🤔
📢 Систематический обзор – это метод исследования, который обобщает все имеющиеся в мире данные и даёт ответ на определённый вопрос с применением строгих, воспроизводимых методов.
🔹 Он помогает найти и проанализировать всю доступную информацию, снижая предвзятость
🔹 Позволяет оценить, насколько надёжна доказательная база и какие biases есть в исследованиях, включенных в систематический обзор
🔹 Может включать метаанализ (это не обязательное условие) – статистическое объединение данных нескольких исследований
📌 Пример:
Допустим, выходит новое лекарство от астмы. Одно исследование говорит, что оно эффективно, другое – что нет. Как разобраться? Систематический обзор объединит данные всех исследований по теме, оценит потенциальные biases и сделает выводы.
📊 Какие бывают виды систематических обзоров?
Систематические обзоры могут отвечать на разные вопросы, например:
🔹 Об эффективности (Intervention Reviews)
👉 Например: Предотвращает ли атопический дерматит и пищевую аллергию применение эмолиентов у малышей?
✔️ Такие обзоры чаще всего оценивают эффективность лечения по данным РКИ (RCT)
🔹 О распространённости и заболеваемости (Prevalence Reviews)
👉 Например: Какова частота пищевой аллергии в Европе?
✔️ Используют эпидемиологические исследования
🔹 О диагностической точности (Diagnostic Accuracy Reviews)
👉 Например: Насколько точны различные методы в диагностике пищевой аллергии?
✔️ Помогают понять, насколько чувствителен и специфичен тест
🔹 О факторах риска и прогностических факторах (Prognostic Reviews)
👉 Например: Прогностические факторы, связанные с летальностью у пациентов, получающих ЭКМО при COVID-19
✔️ Такие обзоры важны для предсказания исходов болезни
🔹 Синтез данных качественных исследований (Qualitative Reviews)
👉 Например: Субъективный опыт и значение бреда при психозе
✔️ Изучают переживания, взгляды, убеждения и социальный контекст
📌 Важно: Разные обзоры требуют разных методов оценки risk of bias (RoB 2.0, ROBINS-I, QUADAS-2 и др.) и certainty of evidence.
📢 Как систематические обзоры помогают в клинических рекомендациях?
🔹 Они информируют и формируют основу для клинических рекомендаций
✔️ Так если данные показывают, что лечение эффективно, оно включается в гайдлайны
✔️ Если доказательств недостаточно, рекомендации остаются слабыми
🔹 Они помогают обновлять рекомендации
✔️ По мере появления новых исследований систематические обзоры пересматриваются, а рекомендации меняются
📌 Пример:
Ранее считалось, что детям с риском аллергии нужно избегать арахиса. Однако систематические обзоры показали, что раннее введение арахиса снижает риск аллергии. Теперь это включено в международные рекомендации.
📚 БАЗОВЫЕ ГАЙДЫ И РУКОВОДСТВА
🔹 PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses)
✔️ Главный стандарт для отчетности систематических обзоров
✔️ Включает чек-лист PRISMA и схему отбора исследований
🔹 PROSPERO (International Prospective Register of Systematic Reviews)
✔️ Реестр для регистрации протоколов систематических обзоров
🔹 Cochrane Handbook for Systematic Reviews of Interventions
✔️ Полное руководство по проведению систематических обзоров и метаанализов
🔹 JBI Manual for Evidence Synthesis
✔️ Руководство от Joanna Briggs Institute (JBI), полезное не только для систематических, но и для скопинг-обзоров
✔️ Чёткие инструкции по извлечению данных, критической оценке и синтезу
📢 Вывод: Систематические обзоры – это фундамент доказательной медицины. Они помогают принимать взвешенные решения, разрабатывать клинические рекомендации и находить оптимальные стратегии лечения.
💬 А вы когда-нибудь проводили систематические обзоры? Если нет, хотели бы вы это сделать и что вам было бы полезно ☺️
#УголокМедНауки #Методология #ТипыИсследований #СистематическийОбзор #МетаАнализ #EBM #Публикация
🔍 5. Cистематический обзор (Systematic Review) - синтезируем доказательную базу
В мире публикуются тысячи медицинских исследований каждый год. Как врачам, учёным и организаторам разобраться, что действительно работает? 🤔
📢 Систематический обзор – это метод исследования, который обобщает все имеющиеся в мире данные и даёт ответ на определённый вопрос с применением строгих, воспроизводимых методов.
🔹 Он помогает найти и проанализировать всю доступную информацию, снижая предвзятость
🔹 Позволяет оценить, насколько надёжна доказательная база и какие biases есть в исследованиях, включенных в систематический обзор
🔹 Может включать метаанализ (это не обязательное условие) – статистическое объединение данных нескольких исследований
📌 Пример:
Допустим, выходит новое лекарство от астмы. Одно исследование говорит, что оно эффективно, другое – что нет. Как разобраться? Систематический обзор объединит данные всех исследований по теме, оценит потенциальные biases и сделает выводы.
📊 Какие бывают виды систематических обзоров?
Систематические обзоры могут отвечать на разные вопросы, например:
🔹 Об эффективности (Intervention Reviews)
👉 Например: Предотвращает ли атопический дерматит и пищевую аллергию применение эмолиентов у малышей?
✔️ Такие обзоры чаще всего оценивают эффективность лечения по данным РКИ (RCT)
🔹 О распространённости и заболеваемости (Prevalence Reviews)
👉 Например: Какова частота пищевой аллергии в Европе?
✔️ Используют эпидемиологические исследования
🔹 О диагностической точности (Diagnostic Accuracy Reviews)
👉 Например: Насколько точны различные методы в диагностике пищевой аллергии?
✔️ Помогают понять, насколько чувствителен и специфичен тест
🔹 О факторах риска и прогностических факторах (Prognostic Reviews)
👉 Например: Прогностические факторы, связанные с летальностью у пациентов, получающих ЭКМО при COVID-19
✔️ Такие обзоры важны для предсказания исходов болезни
🔹 Синтез данных качественных исследований (Qualitative Reviews)
👉 Например: Субъективный опыт и значение бреда при психозе
✔️ Изучают переживания, взгляды, убеждения и социальный контекст
📌 Важно: Разные обзоры требуют разных методов оценки risk of bias (RoB 2.0, ROBINS-I, QUADAS-2 и др.) и certainty of evidence.
📢 Как систематические обзоры помогают в клинических рекомендациях?
🔹 Они информируют и формируют основу для клинических рекомендаций
✔️ Так если данные показывают, что лечение эффективно, оно включается в гайдлайны
✔️ Если доказательств недостаточно, рекомендации остаются слабыми
🔹 Они помогают обновлять рекомендации
✔️ По мере появления новых исследований систематические обзоры пересматриваются, а рекомендации меняются
📌 Пример:
Ранее считалось, что детям с риском аллергии нужно избегать арахиса. Однако систематические обзоры показали, что раннее введение арахиса снижает риск аллергии. Теперь это включено в международные рекомендации.
📚 БАЗОВЫЕ ГАЙДЫ И РУКОВОДСТВА
🔹 PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses)
✔️ Главный стандарт для отчетности систематических обзоров
✔️ Включает чек-лист PRISMA и схему отбора исследований
🔹 PROSPERO (International Prospective Register of Systematic Reviews)
✔️ Реестр для регистрации протоколов систематических обзоров
🔹 Cochrane Handbook for Systematic Reviews of Interventions
✔️ Полное руководство по проведению систематических обзоров и метаанализов
🔹 JBI Manual for Evidence Synthesis
✔️ Руководство от Joanna Briggs Institute (JBI), полезное не только для систематических, но и для скопинг-обзоров
✔️ Чёткие инструкции по извлечению данных, критической оценке и синтезу
📢 Вывод: Систематические обзоры – это фундамент доказательной медицины. Они помогают принимать взвешенные решения, разрабатывать клинические рекомендации и находить оптимальные стратегии лечения.
💬 А вы когда-нибудь проводили систематические обзоры? Если нет, хотели бы вы это сделать и что вам было бы полезно ☺️
#УголокМедНауки #Методология #ТипыИсследований #СистематическийОбзор #МетаАнализ #EBM #Публикация
16.03.202515:46
🔬📢 Новость недели через призму науки
На этой неделе агентство Reuters сообщило, что Центры по контролю и профилактике заболеваний США (CDC) планируют крупное исследование возможной связи между вакцинацией и аутизмом. Это сомнительное решение, вызывало тревогу среди научного сообщества, так как ранее, многочисленные крупные систематические обзоры и популяционные когортные исследования не выявили никакой связи между вакциной MMR (корь-краснуха-паротит) и расстройствами аутистического спектра (ASD).
Что произошло?
Инициатива CDC возникла в контексте крупной вспышки кори в США, охватившей более 200 случаев и приведшей к двум смертям в Техасе и Нью-Мексико. Эта вспышка связана с падением уровня вакцинации в некоторых районах США, чему способствуют антивакцинаторские настроения.
Дополнительный контекст — новая администрация президента Дональда Трампа и назначение Роберта Ф. Кеннеди-младшего министром здравоохранения (HHS), под чьим контролем находится CDC. Кеннеди известен своими неоднозначными взглядами на вакцинацию и годами высказывал сомнения относительно безопасности вакцин. В своем недавнем выступлении он призвал к проведению "прозрачного и беспристрастного исследования" вакцинации и аутизма, что и совпадает с объявлением нового исследования CDC.
Что говорит наука?
🔬 Крупное национальное когортное исследование (Hviid A et al. Ann Intern Med. 2019 Apr 16;170(8):513-520) в Дании, охватившее 657 461 ребенка, показало, что у детей, получивших MMR-вакцину, не наблюдается повышенного риска аутизма (aHR = 0.93, 95% CI: 0.85–1.02). Более того, не было выявлено никаких групп повышенного риска, включая детей с семейным анамнезом аутизма.
🔬 Систематический обзор и мета-анализ (Gidengil C et al. Vaccine. 2021 Jun 23;39(28):3696-3716), включавший 338 исследований, пришел к тому же выводу: нет доказательств связи между MMR и аутизмом.
🔬 А систематический обзор Cochrane (Di Pietrantonj C et al. Cochrane Database Syst Rev. 2021 Nov 22;11(11):CD004407), объединивший данные более 23 миллионов детей, также не нашел никакой связи между вакцинацией и аутизмом. Исследование подтверждает безопасность вакцины MMR, указывая лишь на редкие, но ожидаемые побочные эффекты, такие как фебрильные судороги.
Таким образом, решение CDC изучать "возможную связь" между вакцинацией и аутизмом достаточно сомнительно и представляет собой опасный прецедент, подрывающий доверие общества к вакцинации.
Почему это важно?
📉 Исследования, которые ставят под сомнение уже доказанные научные факты, могут усилить недоверие к вакцинации и привести к дальнейшему снижению охвата прививками. Это, в свою очередь, создает реальный риск новых вспышек смертельно опасных заболеваний, таких как корь.
📊 Принятие подобных решений на уровне национальных агентств может восприниматься как сигнал о существовании проблемы там, где её нет, что играет на руку анти-вакцинационному движению.
🔎 Текущая доказательная база говорит: нет связи между MMR и аутизмом. Кеннеди-младший и другие политики, влияющие на научные решения, рискуют ставить политику выше доказательной медицины.
Вывод
📢 Даже если 99% людей в соцсетях верят в миф, он не становится правдой. CDC принимает сомнительное решение тратя ресурсы на исследования, которые уже многократно проводились и давали четкие ответы. Вместо этого важно сосредоточиться на борьбе с реальной проблемой — падением уровня вакцинации и вспышками инфекционных заболеваний.
⚖️ Как вы считаете, когда научные вопросы становятся политическими, кто должен ставить точку – ученые или чиновники?
#УголокМедНауки #Вакцинация #MMR #Аутизм #CDC #Фактчек #Конспирология #ПолитикаИНаука #ФейкПротивФакта #Антиваксы
На этой неделе агентство Reuters сообщило, что Центры по контролю и профилактике заболеваний США (CDC) планируют крупное исследование возможной связи между вакцинацией и аутизмом. Это сомнительное решение, вызывало тревогу среди научного сообщества, так как ранее, многочисленные крупные систематические обзоры и популяционные когортные исследования не выявили никакой связи между вакциной MMR (корь-краснуха-паротит) и расстройствами аутистического спектра (ASD).
Что произошло?
Инициатива CDC возникла в контексте крупной вспышки кори в США, охватившей более 200 случаев и приведшей к двум смертям в Техасе и Нью-Мексико. Эта вспышка связана с падением уровня вакцинации в некоторых районах США, чему способствуют антивакцинаторские настроения.
Дополнительный контекст — новая администрация президента Дональда Трампа и назначение Роберта Ф. Кеннеди-младшего министром здравоохранения (HHS), под чьим контролем находится CDC. Кеннеди известен своими неоднозначными взглядами на вакцинацию и годами высказывал сомнения относительно безопасности вакцин. В своем недавнем выступлении он призвал к проведению "прозрачного и беспристрастного исследования" вакцинации и аутизма, что и совпадает с объявлением нового исследования CDC.
Что говорит наука?
🔬 Крупное национальное когортное исследование (Hviid A et al. Ann Intern Med. 2019 Apr 16;170(8):513-520) в Дании, охватившее 657 461 ребенка, показало, что у детей, получивших MMR-вакцину, не наблюдается повышенного риска аутизма (aHR = 0.93, 95% CI: 0.85–1.02). Более того, не было выявлено никаких групп повышенного риска, включая детей с семейным анамнезом аутизма.
🔬 Систематический обзор и мета-анализ (Gidengil C et al. Vaccine. 2021 Jun 23;39(28):3696-3716), включавший 338 исследований, пришел к тому же выводу: нет доказательств связи между MMR и аутизмом.
🔬 А систематический обзор Cochrane (Di Pietrantonj C et al. Cochrane Database Syst Rev. 2021 Nov 22;11(11):CD004407), объединивший данные более 23 миллионов детей, также не нашел никакой связи между вакцинацией и аутизмом. Исследование подтверждает безопасность вакцины MMR, указывая лишь на редкие, но ожидаемые побочные эффекты, такие как фебрильные судороги.
Таким образом, решение CDC изучать "возможную связь" между вакцинацией и аутизмом достаточно сомнительно и представляет собой опасный прецедент, подрывающий доверие общества к вакцинации.
Почему это важно?
📉 Исследования, которые ставят под сомнение уже доказанные научные факты, могут усилить недоверие к вакцинации и привести к дальнейшему снижению охвата прививками. Это, в свою очередь, создает реальный риск новых вспышек смертельно опасных заболеваний, таких как корь.
📊 Принятие подобных решений на уровне национальных агентств может восприниматься как сигнал о существовании проблемы там, где её нет, что играет на руку анти-вакцинационному движению.
🔎 Текущая доказательная база говорит: нет связи между MMR и аутизмом. Кеннеди-младший и другие политики, влияющие на научные решения, рискуют ставить политику выше доказательной медицины.
Вывод
📢 Даже если 99% людей в соцсетях верят в миф, он не становится правдой. CDC принимает сомнительное решение тратя ресурсы на исследования, которые уже многократно проводились и давали четкие ответы. Вместо этого важно сосредоточиться на борьбе с реальной проблемой — падением уровня вакцинации и вспышками инфекционных заболеваний.
⚖️ Как вы считаете, когда научные вопросы становятся политическими, кто должен ставить точку – ученые или чиновники?
#УголокМедНауки #Вакцинация #MMR #Аутизм #CDC #Фактчек #Конспирология #ПолитикаИНаука #ФейкПротивФакта #Антиваксы
Рэкорды
31.03.202523:59
2.1KПадпісчыкаў20.03.202523:59
100Індэкс цытавання31.03.202523:59
635Ахоп 1 паста05.04.202523:59
635Ахоп рэкламнага паста30.03.202516:10
12.44%ER28.02.202516:10
32.09%ERR20.03.202512:30
Использование AI в научной работе и говорить ли об этом в публикациях? 🤖📚
Искусственный интеллект (AI) становится незаменимым помощником в научных исследованиях, помогая анализировать данные, улучшать текст и структурировать информацию. И мы понимаем, что его использование будет становиться только более и более активным. Однако, его использование требует ответственности, а заявление об использовании AI должно быть максимально прозрачным.
Полезные AI-инструменты для исследователей ☺️👨🏽💻👩🔬
🔍 Поиск и анализ литературы
📌 SciSpace – анализирует научные статьи, отвечает на вопросы по содержанию
📌 Elicit – помогает находить релевантные публикации и извлекать ключевые данные
📌 Research Rabbit – визуализирует связи между научными статьями
📌 SciteAI – оценивает надежность научных публикаций, анализируя цитирования и контекст ссылок, может быстро предоставить список актуальной литературы по вопросу
✍️ Генерация и улучшение текста
📌 ChatGPT – помогает структурировать текст и редактировать стиль, обсуждать различные темы и получать ответы на вопросы
📌 Thesis AI – ассистент для написания диссертаций и статей
📌 Thesify – подбирает синонимы и улучшает научный стиль
📌 Grammarly / Trinka AI / Writefull – проверка грамматики и стиля в академических текстах
📊 Анализ данных и кодирование
📌 JASP, ChatGPT (Python-код) – обработка данных, статистический анализ
🎨 Создание визуализаций
📌 BioRender – профессиональные научные иллюстрации
📌 DALL·E 3, MidJourney – генерация изображений с помощью AI
📌 Mind the Graph – удобный инструмент для создания инфографики и графических абстрактов
❓Как правильно упоминать использование AI?
Я настоятельно рекомендую проверять author guidelines конкретного журнала перед подачей статьи.
На сегодняшний день применение AI при написании научных статей остается предметом жарких дискуссий.
Общая рекомендация заключается в том, что AI не может быть автором статьи, но его вклад и использование должно быть четко указаны!
Примеры AI acknowledgment statements:
✅ Обычно встречающийся statement для статьи:
"During the preparation of this work, the authors used ChatGPT to improve the grammatical structure and readability. After using this tool, the authors reviewed and edited the content as needed and take full responsibility for the content of the publication."
✅ Указание генерации текста и идей:
"The authors used Thesis AI to assist with structuring the manuscript. The final content was reviewed and revised by the authors to ensure accuracy and originality."
✅ Для поиска литературы и анализа данных:
"SciSpace and Elicit were used to facilitate literature search and summarisation. The selection and interpretation of sources were conducted independently by the authors."
✅ Для визуализации данных:
"Figures in this manuscript were created using Mind the Graph and BioRender. The authors take full responsibility for the accuracy and interpretation of the visual materials."
Этические моменты
⚠️ AI может генерировать ошибки – всегда проверяйте вручную!
⚠️ Фабрикация данных при помощи AI недопустима!
⚠️ AI-редакторы – это помощник, но не замена научному мышлению
💬 А как ты используешь AI в своей научной работе? ☺️ Делись своим опытом в комментариях! ⬇️
#УголокМедНауки #AIвНауке #AI #ИскусственныйИнтеллект #НаучныеИсследования #ChatGPT #SciSpace #ThesisAI #Elicit #Grammarly #TrinkaAI #JASP #BioRender #MindTheGraph #НаучныеСтатьи #DataScience #OpenScience #ResearchTools
Искусственный интеллект (AI) становится незаменимым помощником в научных исследованиях, помогая анализировать данные, улучшать текст и структурировать информацию. И мы понимаем, что его использование будет становиться только более и более активным. Однако, его использование требует ответственности, а заявление об использовании AI должно быть максимально прозрачным.
Полезные AI-инструменты для исследователей ☺️👨🏽💻👩🔬
🔍 Поиск и анализ литературы
📌 SciSpace – анализирует научные статьи, отвечает на вопросы по содержанию
📌 Elicit – помогает находить релевантные публикации и извлекать ключевые данные
📌 Research Rabbit – визуализирует связи между научными статьями
📌 SciteAI – оценивает надежность научных публикаций, анализируя цитирования и контекст ссылок, может быстро предоставить список актуальной литературы по вопросу
✍️ Генерация и улучшение текста
📌 ChatGPT – помогает структурировать текст и редактировать стиль, обсуждать различные темы и получать ответы на вопросы
📌 Thesis AI – ассистент для написания диссертаций и статей
📌 Thesify – подбирает синонимы и улучшает научный стиль
📌 Grammarly / Trinka AI / Writefull – проверка грамматики и стиля в академических текстах
📊 Анализ данных и кодирование
📌 JASP, ChatGPT (Python-код) – обработка данных, статистический анализ
🎨 Создание визуализаций
📌 BioRender – профессиональные научные иллюстрации
📌 DALL·E 3, MidJourney – генерация изображений с помощью AI
📌 Mind the Graph – удобный инструмент для создания инфографики и графических абстрактов
❓Как правильно упоминать использование AI?
Я настоятельно рекомендую проверять author guidelines конкретного журнала перед подачей статьи.
На сегодняшний день применение AI при написании научных статей остается предметом жарких дискуссий.
Общая рекомендация заключается в том, что AI не может быть автором статьи, но его вклад и использование должно быть четко указаны!
Примеры AI acknowledgment statements:
✅ Обычно встречающийся statement для статьи:
"During the preparation of this work, the authors used ChatGPT to improve the grammatical structure and readability. After using this tool, the authors reviewed and edited the content as needed and take full responsibility for the content of the publication."
✅ Указание генерации текста и идей:
"The authors used Thesis AI to assist with structuring the manuscript. The final content was reviewed and revised by the authors to ensure accuracy and originality."
✅ Для поиска литературы и анализа данных:
"SciSpace and Elicit were used to facilitate literature search and summarisation. The selection and interpretation of sources were conducted independently by the authors."
✅ Для визуализации данных:
"Figures in this manuscript were created using Mind the Graph and BioRender. The authors take full responsibility for the accuracy and interpretation of the visual materials."
Этические моменты
⚠️ AI может генерировать ошибки – всегда проверяйте вручную!
⚠️ Фабрикация данных при помощи AI недопустима!
⚠️ AI-редакторы – это помощник, но не замена научному мышлению
💬 А как ты используешь AI в своей научной работе? ☺️ Делись своим опытом в комментариях! ⬇️
#УголокМедНауки #AIвНауке #AI #ИскусственныйИнтеллект #НаучныеИсследования #ChatGPT #SciSpace #ThesisAI #Elicit #Grammarly #TrinkaAI #JASP #BioRender #MindTheGraph #НаучныеСтатьи #DataScience #OpenScience #ResearchTools
24.03.202513:06
📚 Неделя систематических обзоров — День 1
Предлагаю всем вместе...спланировать систематический обзор 😊
На этой неделе мы будем говорить о систематических обзорах — не как об обязательном методологическом ритуале, а как о живом процессе: осмысленном, нужном и даже... увлекательном
Но вместо того, чтобы просто рассказывать «как правильно», я предлагаю вам...
🤝 ...стать членами научной группы. Условно, конечно ☺️
Предлагаю представить, что мы вместе планируем систематический обзор: от идеи — до финального синтеза
На протяжении недели мы будем:
🔹 формулировать вопрос
🔹 выбирать критерии включения
🔹 обсуждать, как и где искать статьи
🔹 оценивать bias
🔹 и решать — нужен ли метаанализ, или достаточно нарративного синтеза
И всё это — не в вакууме, а на примере темы, которую выберем вместе с вами.
🎯 Что мы ищем?
Хочется выбрать тему, которая:
✔️ логично ложится в PICO (Population, Intervention/Exposure, Comparator, Outcome)
✔️ потенциально имеет реальную практическую ценность
✔️ и... просто вызывает интерес (даже личный — это не возбраняется 😊)
💡 Примеры, от которых можно оттолкнуться:
🧪 1. Обзоры эффективности (Intervention reviews)
➡️ Работает ли интервенция? Сравнивают вмешательство vs контроль.
📌 Пример: Эффективны ли ингибиторы протонной помпы в лечении астмы у детей?
🔍 2. Обзоры диагностической точности (Diagnostic accuracy reviews)
➡️ Насколько точен диагностический тест по сравнению с эталоном ("золотым стандартом").
📌 Пример: Насколько точно прик-тесты выявляют аллергию на арахис у детей по сравнению с провокационными пробами (OFC)?
📊 3. Обзоры по распространённости (Prevalence reviews)
➡️ Насколько часто встречается состояние в популяции.
📌 Пример: Частота долгосрочных симптомов после COVID-19 у детей (long COVID)?
🧠 4. Обзоры по прогностическим факторам (Prognostic factor reviews)
➡️ Какие факторы связаны с развитием исхода в будущем.
📌 Пример: Какие факторы ассоциированы с тяжёлым течением COVID-19 у беременных?
📖 5. Качественные обзоры (Qualitative reviews)
➡️ Восприятие, переживания, барьеры, отношение — на основе интервью и фокус-групп.
📌 Пример: Какие барьеры и мотивы существуют у пожилых людей в принятии вакцинации от COVID-19?
🗺 6. Скопинг-обзоры (Scoping reviews)
➡️ Какие исследования уже есть по теме, какие методы используются, какие пробелы существуют. Подходят для широких, плохо структурированных областей.
📌 Пример: Какие исходы используются в клинических исследованиях хронической крапивницы?
На самом деле это не совсем systematic review, а отдельный вид работы, который, например не регистрируется на PROSPERO, но я его всё-таки упомяну. Читайте о разнице между systematic и scoping review в статье Munn Z et al. BMC Med Res Methodol. 2018 Nov 19;18(1):143 (кстати, это один из самых читаемых методологических гайд-обзоров в BMC 😊)
Это лишь примеры, для того, чтобы вам было проще предложить свои!
🧭 Не знаете, с чего начать? Есть подсказка!
📖 Если хочется понять, какие вообще бывают типы обзоров, и какой лучше подойдёт под вашу идею — очень рекомендую статью Munn Z et al. BMC Med Res Methodol. 2018 Jan 10;18(1):5.
Не могу также не порекомендовать бесплатный гайд от Kurinchi Gurusamy (обложка на картинке к этому посту)
🗳 Напишите свою идею в комментариях:
“А может, сделаем систематический обзор по...” и сформулировать PICO
Можно просто набросок, тему, вопрос, гипотезу — я помогу всё облечь в форму и уточнить ☺️
Каждый день мы с вами будем планировать кусочек процесса, а в конце недели мы подведём итог — как бы мог выглядеть структурированный план систематического обзора по придуманной вами теме.
#УголокМедНауки #Systematicreview #СистематическийОбзор #EBM #Методология #PRISMA #PICO #PROSPERO #НаукаВместе #НаучноеПланирование
Предлагаю всем вместе...спланировать систематический обзор 😊
На этой неделе мы будем говорить о систематических обзорах — не как об обязательном методологическом ритуале, а как о живом процессе: осмысленном, нужном и даже... увлекательном
Но вместо того, чтобы просто рассказывать «как правильно», я предлагаю вам...
🤝 ...стать членами научной группы. Условно, конечно ☺️
Предлагаю представить, что мы вместе планируем систематический обзор: от идеи — до финального синтеза
На протяжении недели мы будем:
🔹 формулировать вопрос
🔹 выбирать критерии включения
🔹 обсуждать, как и где искать статьи
🔹 оценивать bias
🔹 и решать — нужен ли метаанализ, или достаточно нарративного синтеза
И всё это — не в вакууме, а на примере темы, которую выберем вместе с вами.
🎯 Что мы ищем?
Хочется выбрать тему, которая:
✔️ логично ложится в PICO (Population, Intervention/Exposure, Comparator, Outcome)
✔️ потенциально имеет реальную практическую ценность
✔️ и... просто вызывает интерес (даже личный — это не возбраняется 😊)
💡 Примеры, от которых можно оттолкнуться:
🧪 1. Обзоры эффективности (Intervention reviews)
➡️ Работает ли интервенция? Сравнивают вмешательство vs контроль.
📌 Пример: Эффективны ли ингибиторы протонной помпы в лечении астмы у детей?
🔍 2. Обзоры диагностической точности (Diagnostic accuracy reviews)
➡️ Насколько точен диагностический тест по сравнению с эталоном ("золотым стандартом").
📌 Пример: Насколько точно прик-тесты выявляют аллергию на арахис у детей по сравнению с провокационными пробами (OFC)?
📊 3. Обзоры по распространённости (Prevalence reviews)
➡️ Насколько часто встречается состояние в популяции.
📌 Пример: Частота долгосрочных симптомов после COVID-19 у детей (long COVID)?
🧠 4. Обзоры по прогностическим факторам (Prognostic factor reviews)
➡️ Какие факторы связаны с развитием исхода в будущем.
📌 Пример: Какие факторы ассоциированы с тяжёлым течением COVID-19 у беременных?
📖 5. Качественные обзоры (Qualitative reviews)
➡️ Восприятие, переживания, барьеры, отношение — на основе интервью и фокус-групп.
📌 Пример: Какие барьеры и мотивы существуют у пожилых людей в принятии вакцинации от COVID-19?
🗺 6. Скопинг-обзоры (Scoping reviews)
➡️ Какие исследования уже есть по теме, какие методы используются, какие пробелы существуют. Подходят для широких, плохо структурированных областей.
📌 Пример: Какие исходы используются в клинических исследованиях хронической крапивницы?
На самом деле это не совсем systematic review, а отдельный вид работы, который, например не регистрируется на PROSPERO, но я его всё-таки упомяну. Читайте о разнице между systematic и scoping review в статье Munn Z et al. BMC Med Res Methodol. 2018 Nov 19;18(1):143 (кстати, это один из самых читаемых методологических гайд-обзоров в BMC 😊)
Это лишь примеры, для того, чтобы вам было проще предложить свои!
🧭 Не знаете, с чего начать? Есть подсказка!
📖 Если хочется понять, какие вообще бывают типы обзоров, и какой лучше подойдёт под вашу идею — очень рекомендую статью Munn Z et al. BMC Med Res Methodol. 2018 Jan 10;18(1):5.
Не могу также не порекомендовать бесплатный гайд от Kurinchi Gurusamy (обложка на картинке к этому посту)
🗳 Напишите свою идею в комментариях:
“А может, сделаем систематический обзор по...” и сформулировать PICO
Можно просто набросок, тему, вопрос, гипотезу — я помогу всё облечь в форму и уточнить ☺️
Каждый день мы с вами будем планировать кусочек процесса, а в конце недели мы подведём итог — как бы мог выглядеть структурированный план систематического обзора по придуманной вами теме.
#УголокМедНауки #Systematicreview #СистематическийОбзор #EBM #Методология #PRISMA #PICO #PROSPERO #НаукаВместе #НаучноеПланирование
23.03.202515:01
🔬Воскресные обсуждения новостей через призму науки
ADHD и TikTok: когда миллионы просмотров не гарантируют правды
Сегодня хочу поговорить о серьёзной теме, которая касается и научной ответственности, и психического здоровья, обсудив результаты исследования, которое попало в заголовки многих новостных агентств (напр. New York Times).
📱 Мы всё чаще слышим о синдроме дефицита внимания и гиперактивности (СДВГ, англ. ADHD) не из кабинета специалиста, а из TikTok...
Но что на самом деле стоит за популярными видео с хэштегом #ADHD?
🔍 Что показало исследование?
📄 В марте 2025 года в PLOS ONE вышло исследование Karasavva и соавт., в котором учёные из University of British Columbia изучили 100 самых популярных видео TikTok с хэштегом #ADHD. Они собрали почти полмиллиарда просмотров. И вот что выяснилось:
✔️Только 48,7% утверждений о симптомах соответствовали критериям DSM-5
✔️95% видео не включали оговорок, что симптомы могут не относиться ко всем людям с СДВГ
✔️Более 68% ложных утверждений описывали то, что лучше объясняется как нормальные человеческие переживания, а не как психопатология
✔️Более половины авторов продавали товары или просили донаты, а профессиональную квалификацию указывали единицы
📈 Как это влияет на восприятие СДВГ у молодёжи?
Вторая часть исследования включала 843 студентов (18–25 лет), с разными статусами: без диагноза, с самодиагностикой и с подтверждённым диагнозом ADHD.
Выяснилось что:
✔️Чем чаще человек смотрит #ADHD TikTok — тем выше его оценка достоверности этого контента
✔️Частый просмотр связан с завышенной оценкой распространённости СДВГ в обществе (в среднем — 33%, при реальной оценке 3–7%)
✔️Просмотр 10 видео TikTok повышал уверенность у самодиагностов, что у них есть СДВГ. У участников без диагноза — снижал уверенность, что у них его нет
✔️После просмотра объяснения от психолога уверенность частично восстанавливалась, но только у тех, у кого СДВГ не было
📱 Почему это происходит?
🔹 TikTok показывает то, что хочется видеть: алгоритмы усиливают эффект “эхо-камеры” и подтверждения собственных убеждений
🔹 Формат коротких видео не даёт места для нюансов: зритель запоминает яркое, личное, эмоциональное
🔹 Многие авторы действуют из лучших побуждений, но недостаток проверенной информации и общих оговорок искажает восприятие
🎭 TikTok — это зло? Нет. Но…
Исследователи подчёркивают:
🔹 TikTok даёт чувство поддержки и принадлежности, особенно женщинам и молодым людям, ранее игнорируемым системой
🔹 Он помогает снять стигму и подтолкнуть к обращению за помощью
❗️ Но он не должен быть заменой диагностике и научно обоснованному лечению
На самом деле подобные исследования уже проводились в прошлом (напр. Yeung A et al., Can J Psychiatry. 2022 Dec;67(12):899-906) и пришли к аналогичным выводам...
🛡 Что можно сделать?
✔️ Психологам и врачам — слушать и не обесценивать, но при этом объяснять научно-обоснованно и включать эмпатию
✔️ Пациентам — искать подтверждение своих ощущений у профессионалов, не ограничиваться TikTok
✔️ Всем нам — развивать критическое мышление и уважение к профессиональному знанию
💬 А как вы относитесь к медицинской информации в TikTok? Считаете ли вы, что там можно найти пользу — или это зона повышенного риска? Давайте обсудим вместе! 👇
#УголокМедНауки #СДВГ #ADHD #TikTok #Дезинформация #ПсихическоеЗдоровье #Самодиагностика #EBM #ДоказательнаяМедицина #ВоскресныеНовости
ADHD и TikTok: когда миллионы просмотров не гарантируют правды
Сегодня хочу поговорить о серьёзной теме, которая касается и научной ответственности, и психического здоровья, обсудив результаты исследования, которое попало в заголовки многих новостных агентств (напр. New York Times).
📱 Мы всё чаще слышим о синдроме дефицита внимания и гиперактивности (СДВГ, англ. ADHD) не из кабинета специалиста, а из TikTok...
Но что на самом деле стоит за популярными видео с хэштегом #ADHD?
🔍 Что показало исследование?
📄 В марте 2025 года в PLOS ONE вышло исследование Karasavva и соавт., в котором учёные из University of British Columbia изучили 100 самых популярных видео TikTok с хэштегом #ADHD. Они собрали почти полмиллиарда просмотров. И вот что выяснилось:
✔️Только 48,7% утверждений о симптомах соответствовали критериям DSM-5
✔️95% видео не включали оговорок, что симптомы могут не относиться ко всем людям с СДВГ
✔️Более 68% ложных утверждений описывали то, что лучше объясняется как нормальные человеческие переживания, а не как психопатология
✔️Более половины авторов продавали товары или просили донаты, а профессиональную квалификацию указывали единицы
📈 Как это влияет на восприятие СДВГ у молодёжи?
Вторая часть исследования включала 843 студентов (18–25 лет), с разными статусами: без диагноза, с самодиагностикой и с подтверждённым диагнозом ADHD.
Выяснилось что:
✔️Чем чаще человек смотрит #ADHD TikTok — тем выше его оценка достоверности этого контента
✔️Частый просмотр связан с завышенной оценкой распространённости СДВГ в обществе (в среднем — 33%, при реальной оценке 3–7%)
✔️Просмотр 10 видео TikTok повышал уверенность у самодиагностов, что у них есть СДВГ. У участников без диагноза — снижал уверенность, что у них его нет
✔️После просмотра объяснения от психолога уверенность частично восстанавливалась, но только у тех, у кого СДВГ не было
📱 Почему это происходит?
🔹 TikTok показывает то, что хочется видеть: алгоритмы усиливают эффект “эхо-камеры” и подтверждения собственных убеждений
🔹 Формат коротких видео не даёт места для нюансов: зритель запоминает яркое, личное, эмоциональное
🔹 Многие авторы действуют из лучших побуждений, но недостаток проверенной информации и общих оговорок искажает восприятие
🎭 TikTok — это зло? Нет. Но…
Исследователи подчёркивают:
🔹 TikTok даёт чувство поддержки и принадлежности, особенно женщинам и молодым людям, ранее игнорируемым системой
🔹 Он помогает снять стигму и подтолкнуть к обращению за помощью
❗️ Но он не должен быть заменой диагностике и научно обоснованному лечению
На самом деле подобные исследования уже проводились в прошлом (напр. Yeung A et al., Can J Psychiatry. 2022 Dec;67(12):899-906) и пришли к аналогичным выводам...
🛡 Что можно сделать?
✔️ Психологам и врачам — слушать и не обесценивать, но при этом объяснять научно-обоснованно и включать эмпатию
✔️ Пациентам — искать подтверждение своих ощущений у профессионалов, не ограничиваться TikTok
✔️ Всем нам — развивать критическое мышление и уважение к профессиональному знанию
💬 А как вы относитесь к медицинской информации в TikTok? Считаете ли вы, что там можно найти пользу — или это зона повышенного риска? Давайте обсудим вместе! 👇
#УголокМедНауки #СДВГ #ADHD #TikTok #Дезинформация #ПсихическоеЗдоровье #Самодиагностика #EBM #ДоказательнаяМедицина #ВоскресныеНовости
22.03.202512:10
📊 Индекс Хирша ≠ ценность учёного
🧠 Наука — не гонка за цифрами
Но людям нужно на что-то ориентироваться, потому-что мы живём в мире сравнения себя с другими.
В академическом мире, особенно в некоторых странах, есть свои "индикаторы" и стереотипы: чем выше индекс Хирша (h-index), тем "успешнее" учёный.
Именно этим числом часто пытаются измерить вклад, качество и даже "вес" человека в науке.
Как человек с достаточно высоким индексом Хирша и цитируемостью (Google Scholar, Stanford/Elsevier's Top 2% Scientist Rankings), я считаю себя вправе критиковать его, потому-что понимаю, как работают эти метрики — и почему они не всегда отражают реальную ценность научной работы.
🔍 Что такое индекс Хирша?
Индекс Хирша (h-index) = количество публикаций, процитированных не менее чем h раз каждая
Пример: если у вас 15 статей, и каждая из них процитирована ≥15 раз → h = 15
📌 Звучит казалось бы, как неплохой показатель, но…
⚠️ Почему нельзя судить о научной ценности только по h-index и цитируемости?
1️⃣ Тематика влияет на цитируемость
Некоторые темы "на слуху" (COVID-19, онкология, big data), а другие — нишевые. Это влияет на цитируемость, но не на научную глубину
2️⃣ Объём и команда ≠ вклад
В больших консорциумах все получают одинаковые баллы к индексу, но вклад может отличаться многократно
3️⃣ Цитируют ≠ соглашаются
Можно быть процитированным за ошибку или спорную гипотезу - h-index этого не различает
4️⃣ Наука — это не только публикации
Менторство, рецензирование, методологическая работа, развитие дисциплины — всё это не попадает в метрики, но имеет колоссальное значение
5️⃣ Метрики можно "оптимизировать"
Salami slicing, «взаимные цитирования», публикации в «своих» журналах — всё это увеличивает индекс, но не обязательно продвигает науку.
6️⃣ Индекс Хирша не любит молодость
Даже если два исследователя одинаково талантливы, у старшего почти всегда выше h-index — просто потому что:
- он публикуется дольше
- его статьи успели набрать цитирования
- он чаще входит в авторские коллективы
📌 Это делает h-index нечувствительным к "карьерному возрасту". Поэтому важно смотреть на показатели в контексте:
🔹 сколько лет прошло с начала активной научной деятельности?
🔹 в какой области работает учёный?
🔹 какие роли он/она выполняет (лидер проекта, методолог, статистик и т.д.)?
💬 Что делать?
Это конечно сложный вопрос, на который нет однозначного ответа ☺️
🔹 Да, цитируемость важна, и h-index может быть полезным ориентиром
🔹 Но нельзя превращать его в единственный критерий научной состоятельности
🔹 Наука — это не только цифры. Это вопросы, которые мы поднимаем, идеи, которые передаём, люди, которых мы учим
🔹 Статьи — это не самоцель, а просто прекрасный способ поделиться своими результатами с миром, в надежде, что они на что-то повлияют
Поэтому — оценивайте не только по метрике, а по смыслу, по классным и успешным завершенным проектам 😊
А что вы думаете об индексе Хирша и цитируемости? Насколько они адекватно отражают вклад в науку? 🙃
#УголокМедНауки #ИндексХирша #Наукометрия #Цитируемость #АкадемическаяКарьера #НаучнаяЭтика #EBM #Методология #КакПонятьНауку
🧠 Наука — не гонка за цифрами
Но людям нужно на что-то ориентироваться, потому-что мы живём в мире сравнения себя с другими.
В академическом мире, особенно в некоторых странах, есть свои "индикаторы" и стереотипы: чем выше индекс Хирша (h-index), тем "успешнее" учёный.
Именно этим числом часто пытаются измерить вклад, качество и даже "вес" человека в науке.
Как человек с достаточно высоким индексом Хирша и цитируемостью (Google Scholar, Stanford/Elsevier's Top 2% Scientist Rankings), я считаю себя вправе критиковать его, потому-что понимаю, как работают эти метрики — и почему они не всегда отражают реальную ценность научной работы.
🔍 Что такое индекс Хирша?
Индекс Хирша (h-index) = количество публикаций, процитированных не менее чем h раз каждая
Пример: если у вас 15 статей, и каждая из них процитирована ≥15 раз → h = 15
📌 Звучит казалось бы, как неплохой показатель, но…
⚠️ Почему нельзя судить о научной ценности только по h-index и цитируемости?
1️⃣ Тематика влияет на цитируемость
Некоторые темы "на слуху" (COVID-19, онкология, big data), а другие — нишевые. Это влияет на цитируемость, но не на научную глубину
2️⃣ Объём и команда ≠ вклад
В больших консорциумах все получают одинаковые баллы к индексу, но вклад может отличаться многократно
3️⃣ Цитируют ≠ соглашаются
Можно быть процитированным за ошибку или спорную гипотезу - h-index этого не различает
4️⃣ Наука — это не только публикации
Менторство, рецензирование, методологическая работа, развитие дисциплины — всё это не попадает в метрики, но имеет колоссальное значение
5️⃣ Метрики можно "оптимизировать"
Salami slicing, «взаимные цитирования», публикации в «своих» журналах — всё это увеличивает индекс, но не обязательно продвигает науку.
6️⃣ Индекс Хирша не любит молодость
Даже если два исследователя одинаково талантливы, у старшего почти всегда выше h-index — просто потому что:
- он публикуется дольше
- его статьи успели набрать цитирования
- он чаще входит в авторские коллективы
📌 Это делает h-index нечувствительным к "карьерному возрасту". Поэтому важно смотреть на показатели в контексте:
🔹 сколько лет прошло с начала активной научной деятельности?
🔹 в какой области работает учёный?
🔹 какие роли он/она выполняет (лидер проекта, методолог, статистик и т.д.)?
💬 Что делать?
Это конечно сложный вопрос, на который нет однозначного ответа ☺️
🔹 Да, цитируемость важна, и h-index может быть полезным ориентиром
🔹 Но нельзя превращать его в единственный критерий научной состоятельности
🔹 Наука — это не только цифры. Это вопросы, которые мы поднимаем, идеи, которые передаём, люди, которых мы учим
🔹 Статьи — это не самоцель, а просто прекрасный способ поделиться своими результатами с миром, в надежде, что они на что-то повлияют
Поэтому — оценивайте не только по метрике, а по смыслу, по классным и успешным завершенным проектам 😊
А что вы думаете об индексе Хирша и цитируемости? Насколько они адекватно отражают вклад в науку? 🙃
#УголокМедНауки #ИндексХирша #Наукометрия #Цитируемость #АкадемическаяКарьера #НаучнаяЭтика #EBM #Методология #КакПонятьНауку
18.03.202512:38
🔍 Методология исследований - cистематическая ошибка выжившего (survival bias)
В медицинских исследованиях, да и в жизни в целом, мы часто сталкиваемся с ситуацией, когда наши выводы оказываются искажёнными. Одной из причин этого является систематическая ошибка (bias) – склонность анализировать данные или делать выводы не объективно, а с предвзятостью, зависящей от метода сбора информации.
📌 Почему это важно?
Bias может привести к неправильным выводам: если информация собрана не полностью или рассматривается однобоко, это может исказить реальную картину.
Один из самых известных примеров bias – cистематическая ошибка выжившего (survival bias). Давайте разберёмся, как оно работает.
📜 История времён Второй мировой войны: броня нужна не там, где кажется...
Во время Второй мировой войны командование американских и британских ВВС столкнулось с важной задачей: уменьшить потери боевой авиации. Требовалось понять, какие части самолёта нужно усилить бронёй, чтобы повысить его выживаемость в бою.
Для решения этой задачи привлекли математика Abraham Wald, который применил статистический анализ.
✔️ Вальд изучил самолёты, вернувшиеся с боевых вылетов, и отметил, что пробоины чаще всего встречались на крыльях, фюзеляже и хвосте
✔️ Казалось логичным укрепить именно эти зоны, ведь именно там самолёты чаще всего получали повреждения
Однако Вальд взглянул на проблему иначе:
🧐 А что с самолётами, которые НЕ вернулись?
Эти самолёты не смогли вернуться, потому что попадания пришлись на по-настоящему критически важные зоны, которые Вальд практически не видел на уцелевших самолётах.
📌 Истинный вывод: укреплять нужно не те участки, где было больше всего пробоин, а те, где их почти не было. Ведь именно эти попадания приводили к гибели самолёта.
💡 Этот случай стал классическим примером survival bias – ошибки анализа только "выживших" данных.
🏥 Как survival bias проявляется в медицине и не только?
🔹 Исследования долголетия
"Люди, дожившие до 100 лет, всю жизнь курили сигары и пили виски. Значит, это не так вредно?"
✔️ Проблема: мы видим только тех, кто дожил до преклонного возраста, но не учитываем тех, кто умер раньше из-за вредных привычек.
🔹 Миф о "миллиардерах без высшего образования"
"Марк Цукерберг, Билл Гейтс и Стив Джобс бросили университет – значит, образование не нужно для успеха!"
✔️ Проблема: мы видим только тех, кто добился успеха, но не учитываем тысячи стартаперов, не окончивших вуз и оставшихся без карьеры.
🔹 Учёные изучают новый метод лечения тяжёлой формы рака
После нескольких лет наблюдений они замечают, что пациенты, прошедшие полное лечение, живут в среднем дольше, чем те, кто его не прошёл.
📌 Вывод на первый взгляд: лечение эффективно, ведь пациенты, получившие его, живут дольше.
Но давайте посмотрим внимательнее:
✔️ Что упущено?
Мы анализируем только тех, кто завершил лечение. Но ведь есть пациенты, которым терапия не подошла, и они не смогли её закончить (например, из-за тяжёлых побочных эффектов или быстрого прогрессирования болезни).
✔️ Как это влияет на выводы?
Если исключить из анализа пациентов, которые не смогли пройти лечение, можно завысить его эффективность. Ведь самые тяжёлые случаи просто "исчезли" из выборки.
✔️ Подход к анализу
Чтобы избежать survival bias, нужно учитывать ВСЕХ пациентов, включая тех, кто не смог пройти лечение до конца.
🔎 Как избежать ошибки выжившего?
🔹 Анализировать всю выборку, а не только "успешные" случаи.
🔹 Обращать внимание на критерии включения и исключения в исследованиях.
🔹 Всегда задавать вопрос: кто не попал в анализ и почему?
📌 Вывод
Мы склонны замечать только те примеры, которые находятся на виду. Однако без учёта "невидимых" данных можно прийти к ошибочным выводам.
💬 Бывали ли у вас случаи, когда survival bias приводил к неожиданным выводам? Будет интересно обсудить!
Пара примеров ☺️
Anderson CD et al. Circ Cardiovasc Genet. 2011 Apr;4(2):188-96
Vansteelandt S et al. Biostatistics. 2018 Oct 1;19(4):426-443
#УголокМедНауки #Методология #Bias #СистематическаяОшибка #SurvivalBias #МедицинскаяСтатистика #EBM
В медицинских исследованиях, да и в жизни в целом, мы часто сталкиваемся с ситуацией, когда наши выводы оказываются искажёнными. Одной из причин этого является систематическая ошибка (bias) – склонность анализировать данные или делать выводы не объективно, а с предвзятостью, зависящей от метода сбора информации.
📌 Почему это важно?
Bias может привести к неправильным выводам: если информация собрана не полностью или рассматривается однобоко, это может исказить реальную картину.
Один из самых известных примеров bias – cистематическая ошибка выжившего (survival bias). Давайте разберёмся, как оно работает.
📜 История времён Второй мировой войны: броня нужна не там, где кажется...
Во время Второй мировой войны командование американских и британских ВВС столкнулось с важной задачей: уменьшить потери боевой авиации. Требовалось понять, какие части самолёта нужно усилить бронёй, чтобы повысить его выживаемость в бою.
Для решения этой задачи привлекли математика Abraham Wald, который применил статистический анализ.
✔️ Вальд изучил самолёты, вернувшиеся с боевых вылетов, и отметил, что пробоины чаще всего встречались на крыльях, фюзеляже и хвосте
✔️ Казалось логичным укрепить именно эти зоны, ведь именно там самолёты чаще всего получали повреждения
Однако Вальд взглянул на проблему иначе:
🧐 А что с самолётами, которые НЕ вернулись?
Эти самолёты не смогли вернуться, потому что попадания пришлись на по-настоящему критически важные зоны, которые Вальд практически не видел на уцелевших самолётах.
📌 Истинный вывод: укреплять нужно не те участки, где было больше всего пробоин, а те, где их почти не было. Ведь именно эти попадания приводили к гибели самолёта.
💡 Этот случай стал классическим примером survival bias – ошибки анализа только "выживших" данных.
🏥 Как survival bias проявляется в медицине и не только?
🔹 Исследования долголетия
"Люди, дожившие до 100 лет, всю жизнь курили сигары и пили виски. Значит, это не так вредно?"
✔️ Проблема: мы видим только тех, кто дожил до преклонного возраста, но не учитываем тех, кто умер раньше из-за вредных привычек.
🔹 Миф о "миллиардерах без высшего образования"
"Марк Цукерберг, Билл Гейтс и Стив Джобс бросили университет – значит, образование не нужно для успеха!"
✔️ Проблема: мы видим только тех, кто добился успеха, но не учитываем тысячи стартаперов, не окончивших вуз и оставшихся без карьеры.
🔹 Учёные изучают новый метод лечения тяжёлой формы рака
После нескольких лет наблюдений они замечают, что пациенты, прошедшие полное лечение, живут в среднем дольше, чем те, кто его не прошёл.
📌 Вывод на первый взгляд: лечение эффективно, ведь пациенты, получившие его, живут дольше.
Но давайте посмотрим внимательнее:
✔️ Что упущено?
Мы анализируем только тех, кто завершил лечение. Но ведь есть пациенты, которым терапия не подошла, и они не смогли её закончить (например, из-за тяжёлых побочных эффектов или быстрого прогрессирования болезни).
✔️ Как это влияет на выводы?
Если исключить из анализа пациентов, которые не смогли пройти лечение, можно завысить его эффективность. Ведь самые тяжёлые случаи просто "исчезли" из выборки.
✔️ Подход к анализу
Чтобы избежать survival bias, нужно учитывать ВСЕХ пациентов, включая тех, кто не смог пройти лечение до конца.
🔎 Как избежать ошибки выжившего?
🔹 Анализировать всю выборку, а не только "успешные" случаи.
🔹 Обращать внимание на критерии включения и исключения в исследованиях.
🔹 Всегда задавать вопрос: кто не попал в анализ и почему?
📌 Вывод
Мы склонны замечать только те примеры, которые находятся на виду. Однако без учёта "невидимых" данных можно прийти к ошибочным выводам.
💬 Бывали ли у вас случаи, когда survival bias приводил к неожиданным выводам? Будет интересно обсудить!
Пара примеров ☺️
Anderson CD et al. Circ Cardiovasc Genet. 2011 Apr;4(2):188-96
Vansteelandt S et al. Biostatistics. 2018 Oct 1;19(4):426-443
#УголокМедНауки #Методология #Bias #СистематическаяОшибка #SurvivalBias #МедицинскаяСтатистика #EBM
28.03.202518:47
🏢Как создаются клинические рекомендации — и зачем тут всё это PICO, GRADE и EtD
📌 1. Всё начинается с вопросов — в формате PICO
Каждую будущую рекомендацию начинают с клинического вопроса, оформленного в структуре:
Population — кто?
Intervention — что делать?
Comparison — с чем сравниваем?
Outcomes — что хотим изменить?
🔍 Разберемся на примере (Alonso-Coello P et al. BMJ. 2016 Jun 30;353:i2089)
Должны ли пациенты с фибрилляцией предсердий и умеренно высоким риском инсульта, принимающие варфарин, перейти на дабигатран?
P: пациенты с фибрилляцией предсердий
I: дабигатран
C: варфарин
O: смерть, инсульт, кровотечения, инфаркт, нагрузка лечения
📚 2. Сбор и оценка доказательств — систематический обзор
По каждому PICO проводится:
▫️систематический поиск литературы
▫️отбор релевантных исследований (РКИ, наблюдательные)
▫️оценка достоверности данных (по системе GRADE).
🔍 В обзоре для вышеуказанного PICO использовались данные из RE-LY trial — крупного международного РКИ (18 113 пациентов), сравнивающего дабигатран и варфарин.
В таблице Summary of Findings указывались:
▫️снижение риска инсульта (2.2% против 3.4%)
▫️сравнимый риск смертности
▫️чуть меньше крупных кровотечений,
▫️меньше нагрузка на пациента (без контроля INR, диеты и т.п.)
🧭 GRADE показал:
▫️умеренная уверенность в основных исходах;
▫️низкая уверенность в подгруппе (пациенты с хорошо контролируемым INR на варфарине).
🧠 3. EtD framework — от доказательств к решению
Здесь начинается настоящее "коллективное размышление". В панели экспертов обсуждаются 12 ключевых критериев, включая:
💥 Насколько значим эффект?
Инсульт — тяжёлый исход → ценится высоко. Да и эффект у дабигатрана ощутимый → в его пользу.
🧪 Надёжны ли данные?
RE-LY — хорошее исследование, но были риски смещения (open-label для варфарина). Значит, умеренная уверенность.
💸 Сколько это стоит?
Варфарин дешевле, но требует мониторинга.
Дабигатран дороже (€30 млн в год на популяцию 66 тыс. человек в расчёте для Европы), но проще в применении.
⚖️ Баланс пользы и вреда?
Общая популяция — дабигатран предпочтителен.
Но для подгруппы с хорошим INR контроль — возможно, нет.
❤️ Как пациенты воспринимают вмешательство?
Для многих ежедневный контроль INR — обуза.
Но некоторые опасаются новых препаратов и рисков.
🏥 Это вообще реализуемо?
— В странах с ограниченным доступом к новым препаратам или без страховки — реализация может быть проблемой.
🧾 4. Готовая рекомендация — финальный продукт
После обсуждения и голосования панель экспертов формулирует рекомендацию с учетом представленных доказательств
✅ Рекомендация:
"Рекомендуется использовать дабигатран вместо варфарина у пациентов с фибрилляцией предсердий и умеренно высоким риском инсульта"
📎 Сила: условная (weak/conditional),
📈 Уровень доказательств: умеренный,
🎯 Применимо к: пациентам без противопоказаний, за исключением хорошо компенсированных на варфарине.
🔄 5. Обновления и живые рекомендации
Рекомендации пересматриваются по мере поступления новых данных.
Некоторые организации (например, ВОЗ и NICE) уже используют "living guidelines" — обновляемые в реальном времени (яркий пример — рекомендации ВОЗ по COVID-19).
📍 Что важно запомнить?
Рекомендации — это не просто чья-то «экспертная интуиция», это:
🔹чётко сформулированные вопросы (PICO),
🔹систематически собранные данные,
🔹взвешенное обсуждение всех аспектов (EtD),
🔹прозрачная логика перехода от данных к решению.
💡 А значит — мы можем не просто следовать гайдам, но и понять их суть, обсуждать, адаптировать под конкретного пациента — и доверять, когда это действительно обоснованно.
🤔 А вы знали, как именно формируются клинические рекомендации? Делитесь в комментариях, что было неожиданным!
#УголокМедНауки #EBM #гайдлайны #медицинскаянаука #PICO #GRADE #EtD #systematicreview
📌 1. Всё начинается с вопросов — в формате PICO
Каждую будущую рекомендацию начинают с клинического вопроса, оформленного в структуре:
Population — кто?
Intervention — что делать?
Comparison — с чем сравниваем?
Outcomes — что хотим изменить?
🔍 Разберемся на примере (Alonso-Coello P et al. BMJ. 2016 Jun 30;353:i2089)
Должны ли пациенты с фибрилляцией предсердий и умеренно высоким риском инсульта, принимающие варфарин, перейти на дабигатран?
P: пациенты с фибрилляцией предсердий
I: дабигатран
C: варфарин
O: смерть, инсульт, кровотечения, инфаркт, нагрузка лечения
📚 2. Сбор и оценка доказательств — систематический обзор
По каждому PICO проводится:
▫️систематический поиск литературы
▫️отбор релевантных исследований (РКИ, наблюдательные)
▫️оценка достоверности данных (по системе GRADE).
🔍 В обзоре для вышеуказанного PICO использовались данные из RE-LY trial — крупного международного РКИ (18 113 пациентов), сравнивающего дабигатран и варфарин.
В таблице Summary of Findings указывались:
▫️снижение риска инсульта (2.2% против 3.4%)
▫️сравнимый риск смертности
▫️чуть меньше крупных кровотечений,
▫️меньше нагрузка на пациента (без контроля INR, диеты и т.п.)
🧭 GRADE показал:
▫️умеренная уверенность в основных исходах;
▫️низкая уверенность в подгруппе (пациенты с хорошо контролируемым INR на варфарине).
🧠 3. EtD framework — от доказательств к решению
Здесь начинается настоящее "коллективное размышление". В панели экспертов обсуждаются 12 ключевых критериев, включая:
💥 Насколько значим эффект?
Инсульт — тяжёлый исход → ценится высоко. Да и эффект у дабигатрана ощутимый → в его пользу.
🧪 Надёжны ли данные?
RE-LY — хорошее исследование, но были риски смещения (open-label для варфарина). Значит, умеренная уверенность.
💸 Сколько это стоит?
Варфарин дешевле, но требует мониторинга.
Дабигатран дороже (€30 млн в год на популяцию 66 тыс. человек в расчёте для Европы), но проще в применении.
⚖️ Баланс пользы и вреда?
Общая популяция — дабигатран предпочтителен.
Но для подгруппы с хорошим INR контроль — возможно, нет.
❤️ Как пациенты воспринимают вмешательство?
Для многих ежедневный контроль INR — обуза.
Но некоторые опасаются новых препаратов и рисков.
🏥 Это вообще реализуемо?
— В странах с ограниченным доступом к новым препаратам или без страховки — реализация может быть проблемой.
🧾 4. Готовая рекомендация — финальный продукт
После обсуждения и голосования панель экспертов формулирует рекомендацию с учетом представленных доказательств
✅ Рекомендация:
"Рекомендуется использовать дабигатран вместо варфарина у пациентов с фибрилляцией предсердий и умеренно высоким риском инсульта"
📎 Сила: условная (weak/conditional),
📈 Уровень доказательств: умеренный,
🎯 Применимо к: пациентам без противопоказаний, за исключением хорошо компенсированных на варфарине.
🔄 5. Обновления и живые рекомендации
Рекомендации пересматриваются по мере поступления новых данных.
Некоторые организации (например, ВОЗ и NICE) уже используют "living guidelines" — обновляемые в реальном времени (яркий пример — рекомендации ВОЗ по COVID-19).
📍 Что важно запомнить?
Рекомендации — это не просто чья-то «экспертная интуиция», это:
🔹чётко сформулированные вопросы (PICO),
🔹систематически собранные данные,
🔹взвешенное обсуждение всех аспектов (EtD),
🔹прозрачная логика перехода от данных к решению.
💡 А значит — мы можем не просто следовать гайдам, но и понять их суть, обсуждать, адаптировать под конкретного пациента — и доверять, когда это действительно обоснованно.
🤔 А вы знали, как именно формируются клинические рекомендации? Делитесь в комментариях, что было неожиданным!
#УголокМедНауки #EBM #гайдлайны #медицинскаянаука #PICO #GRADE #EtD #systematicreview
25.03.202514:53
☕️ Заполняем PROSPERO вместе 🙃
День 2. Протокол: фиксируем план, чтобы не сбиться с курса
💡 Как вы помните, на этой неделе мы вместе планируем систематический обзор.
🧾 Протокол — это как маршрут перед походом в горы:
✔️Где будем искать информацию
✔️Что будем считать «подходящими» статьями
✔️Ответы на какие вопросы мы хотим получить
✔️Как будем анализировать найденное
И, чтобы не потерять этот маршрут — мы регистрируем его в базе данных PROSPERO, потому-что это рекомендованная практика.
Большое спасибо за темы, которые вы предложили, я выбрал одну из них, которая "проще" для объяснения ☺️
💡 Наша условная тема для тренировки:
🧒 Антибиотики при микоплазменной пневмонии у детей
📚 В 2014 году уже был опубликован систематический обзор (Biondi E et al. Pediatrics. 2014 Jun;133(6):1081-90):
🔸 он включал только литературу до 2013 года,
🔸 оценка risk of bias проводилась не совсем так, как мы делали бы сегодня
🔸 а вопрос по прежнему остаётся спорным и клинически значимым
Давайте представим себе, что мы хотим обновить данный систематический обзор, чтобы посмотреть какие исследования есть в мире на сегодняшний момент, которые помогут ответить на поставленный вопрос.
🧭 Что и зачем писать в PROSPERO?
(А ниже — дружеские пояснения к каждому разделу)
1. Название обзора
✅ Antibiotic therapy versus observation in children with Mycoplasma pneumoniae: a systematic review
📌 Название должно быть нейтральным и точным. Мы не утверждаем, что антибиотики эффективны — мы спрашиваем.
2. Обоснование (Rationale)
Хотя антибиотики широко используются при микоплазменной пневмонии у детей, сама инфекция часто проходит самостоятельно. Неясно, действительно ли лечение антибиотиками улучшает исходы по сравнению с наблюдением. Ранее опубликованные обзоры включали ограниченные данные и не использовали современные методы оценки bias.
3. Цель (Objectives)
Оценить эффективность и безопасность антибиотикотерапии по сравнению с отсутствием лечения у детей с лабораторно подтверждённой Mycoplasma pneumoniae
4. Ключевые слова (Keywords)
Mycoplasma pneumoniae, antibiotics, paediatrics, systematic review, pneumonia
5. Критерии включения (Eligibility)
📌 Популяция: дети 0–18 лет с микробиологически подтверждённой микоплазменной пневмонией
📌 Интервенция: антибиотики, активные против M. pneumoniae (макролиды, фторхинолоны, тетрациклины)
📌 Сравнение: отсутствие антибиотикотерапии или симптоматическое лечение
📌 Исходы:
– Основные: клиническое выздоровление, серьёзные побочные эффекты
– Дополнительные: длительность симптомов, лёгкие побочные эффекты, развитие осложнений
6. Типы исследований
Вам нужно решить, какой тип исследований включать. Для этого нужно иметь определенное представление относительно того, что сделано в области. Рандомизированные контролируемые исследования (RCT) могут дать вам ответ относительно эффективности. Однако, если их очень мало то полезно будет сделать дополнительный синтез нерандомизированных и наблюдательных исследований.
7. Где будем искать? (Search strategy)
MEDLINE, Embase, Cochrane CENTRAL.
Период: from inception по настоящее время.
Также можно искать в реестрах ClinicalTrials.gov и WHO ICTRP
8. Отбор и извлечение данных
Два рецензента будут независимо отбирать статьи и извлекать данные. Разногласия — через обсуждение или третьего эксперта.
9. Оценка риска смещения (Risk of bias)
🎯 Используем современные инструменты:
Для RCT: RoB 2.0 (Cochrane Risk of Bias Tool 2.0)
Для нерандомизированных исследований: ROBINS-I
📌 Так мы сможем более объективно оценить bias каждого включённого исследования
10. План синтеза (Data synthesis)
Если будет ≥2 однородных исследования — проведём мета-анализ (random effects model)
Если гетерогенность высока — сделаем нарративный синтез
Важно помнить - мета-анализ НЕ обязательная часть систематического обзора!
💬 Готовите ли вы сейчас свой систематический обзор и есть ли у вас вопросы?
✍️ Расскажите и буду рад помочь если в этом есть необходимость
#УголокМедНауки #SystematicReview #PROSPERO #ПротоколОбзора #EBM #НаукаВместе #PICO
День 2. Протокол: фиксируем план, чтобы не сбиться с курса
💡 Как вы помните, на этой неделе мы вместе планируем систематический обзор.
🧾 Протокол — это как маршрут перед походом в горы:
✔️Где будем искать информацию
✔️Что будем считать «подходящими» статьями
✔️Ответы на какие вопросы мы хотим получить
✔️Как будем анализировать найденное
И, чтобы не потерять этот маршрут — мы регистрируем его в базе данных PROSPERO, потому-что это рекомендованная практика.
Большое спасибо за темы, которые вы предложили, я выбрал одну из них, которая "проще" для объяснения ☺️
💡 Наша условная тема для тренировки:
🧒 Антибиотики при микоплазменной пневмонии у детей
📚 В 2014 году уже был опубликован систематический обзор (Biondi E et al. Pediatrics. 2014 Jun;133(6):1081-90):
🔸 он включал только литературу до 2013 года,
🔸 оценка risk of bias проводилась не совсем так, как мы делали бы сегодня
🔸 а вопрос по прежнему остаётся спорным и клинически значимым
Давайте представим себе, что мы хотим обновить данный систематический обзор, чтобы посмотреть какие исследования есть в мире на сегодняшний момент, которые помогут ответить на поставленный вопрос.
🧭 Что и зачем писать в PROSPERO?
(А ниже — дружеские пояснения к каждому разделу)
1. Название обзора
✅ Antibiotic therapy versus observation in children with Mycoplasma pneumoniae: a systematic review
📌 Название должно быть нейтральным и точным. Мы не утверждаем, что антибиотики эффективны — мы спрашиваем.
2. Обоснование (Rationale)
Хотя антибиотики широко используются при микоплазменной пневмонии у детей, сама инфекция часто проходит самостоятельно. Неясно, действительно ли лечение антибиотиками улучшает исходы по сравнению с наблюдением. Ранее опубликованные обзоры включали ограниченные данные и не использовали современные методы оценки bias.
3. Цель (Objectives)
Оценить эффективность и безопасность антибиотикотерапии по сравнению с отсутствием лечения у детей с лабораторно подтверждённой Mycoplasma pneumoniae
4. Ключевые слова (Keywords)
Mycoplasma pneumoniae, antibiotics, paediatrics, systematic review, pneumonia
5. Критерии включения (Eligibility)
📌 Популяция: дети 0–18 лет с микробиологически подтверждённой микоплазменной пневмонией
📌 Интервенция: антибиотики, активные против M. pneumoniae (макролиды, фторхинолоны, тетрациклины)
📌 Сравнение: отсутствие антибиотикотерапии или симптоматическое лечение
📌 Исходы:
– Основные: клиническое выздоровление, серьёзные побочные эффекты
– Дополнительные: длительность симптомов, лёгкие побочные эффекты, развитие осложнений
6. Типы исследований
Вам нужно решить, какой тип исследований включать. Для этого нужно иметь определенное представление относительно того, что сделано в области. Рандомизированные контролируемые исследования (RCT) могут дать вам ответ относительно эффективности. Однако, если их очень мало то полезно будет сделать дополнительный синтез нерандомизированных и наблюдательных исследований.
7. Где будем искать? (Search strategy)
MEDLINE, Embase, Cochrane CENTRAL.
Период: from inception по настоящее время.
Также можно искать в реестрах ClinicalTrials.gov и WHO ICTRP
8. Отбор и извлечение данных
Два рецензента будут независимо отбирать статьи и извлекать данные. Разногласия — через обсуждение или третьего эксперта.
9. Оценка риска смещения (Risk of bias)
🎯 Используем современные инструменты:
Для RCT: RoB 2.0 (Cochrane Risk of Bias Tool 2.0)
Для нерандомизированных исследований: ROBINS-I
📌 Так мы сможем более объективно оценить bias каждого включённого исследования
10. План синтеза (Data synthesis)
Если будет ≥2 однородных исследования — проведём мета-анализ (random effects model)
Если гетерогенность высока — сделаем нарративный синтез
Важно помнить - мета-анализ НЕ обязательная часть систематического обзора!
💬 Готовите ли вы сейчас свой систематический обзор и есть ли у вас вопросы?
✍️ Расскажите и буду рад помочь если в этом есть необходимость
#УголокМедНауки #SystematicReview #PROSPERO #ПротоколОбзора #EBM #НаукаВместе #PICO
16.03.202515:46
🔬📢 Новость недели через призму науки
На этой неделе агентство Reuters сообщило, что Центры по контролю и профилактике заболеваний США (CDC) планируют крупное исследование возможной связи между вакцинацией и аутизмом. Это сомнительное решение, вызывало тревогу среди научного сообщества, так как ранее, многочисленные крупные систематические обзоры и популяционные когортные исследования не выявили никакой связи между вакциной MMR (корь-краснуха-паротит) и расстройствами аутистического спектра (ASD).
Что произошло?
Инициатива CDC возникла в контексте крупной вспышки кори в США, охватившей более 200 случаев и приведшей к двум смертям в Техасе и Нью-Мексико. Эта вспышка связана с падением уровня вакцинации в некоторых районах США, чему способствуют антивакцинаторские настроения.
Дополнительный контекст — новая администрация президента Дональда Трампа и назначение Роберта Ф. Кеннеди-младшего министром здравоохранения (HHS), под чьим контролем находится CDC. Кеннеди известен своими неоднозначными взглядами на вакцинацию и годами высказывал сомнения относительно безопасности вакцин. В своем недавнем выступлении он призвал к проведению "прозрачного и беспристрастного исследования" вакцинации и аутизма, что и совпадает с объявлением нового исследования CDC.
Что говорит наука?
🔬 Крупное национальное когортное исследование (Hviid A et al. Ann Intern Med. 2019 Apr 16;170(8):513-520) в Дании, охватившее 657 461 ребенка, показало, что у детей, получивших MMR-вакцину, не наблюдается повышенного риска аутизма (aHR = 0.93, 95% CI: 0.85–1.02). Более того, не было выявлено никаких групп повышенного риска, включая детей с семейным анамнезом аутизма.
🔬 Систематический обзор и мета-анализ (Gidengil C et al. Vaccine. 2021 Jun 23;39(28):3696-3716), включавший 338 исследований, пришел к тому же выводу: нет доказательств связи между MMR и аутизмом.
🔬 А систематический обзор Cochrane (Di Pietrantonj C et al. Cochrane Database Syst Rev. 2021 Nov 22;11(11):CD004407), объединивший данные более 23 миллионов детей, также не нашел никакой связи между вакцинацией и аутизмом. Исследование подтверждает безопасность вакцины MMR, указывая лишь на редкие, но ожидаемые побочные эффекты, такие как фебрильные судороги.
Таким образом, решение CDC изучать "возможную связь" между вакцинацией и аутизмом достаточно сомнительно и представляет собой опасный прецедент, подрывающий доверие общества к вакцинации.
Почему это важно?
📉 Исследования, которые ставят под сомнение уже доказанные научные факты, могут усилить недоверие к вакцинации и привести к дальнейшему снижению охвата прививками. Это, в свою очередь, создает реальный риск новых вспышек смертельно опасных заболеваний, таких как корь.
📊 Принятие подобных решений на уровне национальных агентств может восприниматься как сигнал о существовании проблемы там, где её нет, что играет на руку анти-вакцинационному движению.
🔎 Текущая доказательная база говорит: нет связи между MMR и аутизмом. Кеннеди-младший и другие политики, влияющие на научные решения, рискуют ставить политику выше доказательной медицины.
Вывод
📢 Даже если 99% людей в соцсетях верят в миф, он не становится правдой. CDC принимает сомнительное решение тратя ресурсы на исследования, которые уже многократно проводились и давали четкие ответы. Вместо этого важно сосредоточиться на борьбе с реальной проблемой — падением уровня вакцинации и вспышками инфекционных заболеваний.
⚖️ Как вы считаете, когда научные вопросы становятся политическими, кто должен ставить точку – ученые или чиновники?
#УголокМедНауки #Вакцинация #MMR #Аутизм #CDC #Фактчек #Конспирология #ПолитикаИНаука #ФейкПротивФакта #Антиваксы
На этой неделе агентство Reuters сообщило, что Центры по контролю и профилактике заболеваний США (CDC) планируют крупное исследование возможной связи между вакцинацией и аутизмом. Это сомнительное решение, вызывало тревогу среди научного сообщества, так как ранее, многочисленные крупные систематические обзоры и популяционные когортные исследования не выявили никакой связи между вакциной MMR (корь-краснуха-паротит) и расстройствами аутистического спектра (ASD).
Что произошло?
Инициатива CDC возникла в контексте крупной вспышки кори в США, охватившей более 200 случаев и приведшей к двум смертям в Техасе и Нью-Мексико. Эта вспышка связана с падением уровня вакцинации в некоторых районах США, чему способствуют антивакцинаторские настроения.
Дополнительный контекст — новая администрация президента Дональда Трампа и назначение Роберта Ф. Кеннеди-младшего министром здравоохранения (HHS), под чьим контролем находится CDC. Кеннеди известен своими неоднозначными взглядами на вакцинацию и годами высказывал сомнения относительно безопасности вакцин. В своем недавнем выступлении он призвал к проведению "прозрачного и беспристрастного исследования" вакцинации и аутизма, что и совпадает с объявлением нового исследования CDC.
Что говорит наука?
🔬 Крупное национальное когортное исследование (Hviid A et al. Ann Intern Med. 2019 Apr 16;170(8):513-520) в Дании, охватившее 657 461 ребенка, показало, что у детей, получивших MMR-вакцину, не наблюдается повышенного риска аутизма (aHR = 0.93, 95% CI: 0.85–1.02). Более того, не было выявлено никаких групп повышенного риска, включая детей с семейным анамнезом аутизма.
🔬 Систематический обзор и мета-анализ (Gidengil C et al. Vaccine. 2021 Jun 23;39(28):3696-3716), включавший 338 исследований, пришел к тому же выводу: нет доказательств связи между MMR и аутизмом.
🔬 А систематический обзор Cochrane (Di Pietrantonj C et al. Cochrane Database Syst Rev. 2021 Nov 22;11(11):CD004407), объединивший данные более 23 миллионов детей, также не нашел никакой связи между вакцинацией и аутизмом. Исследование подтверждает безопасность вакцины MMR, указывая лишь на редкие, но ожидаемые побочные эффекты, такие как фебрильные судороги.
Таким образом, решение CDC изучать "возможную связь" между вакцинацией и аутизмом достаточно сомнительно и представляет собой опасный прецедент, подрывающий доверие общества к вакцинации.
Почему это важно?
📉 Исследования, которые ставят под сомнение уже доказанные научные факты, могут усилить недоверие к вакцинации и привести к дальнейшему снижению охвата прививками. Это, в свою очередь, создает реальный риск новых вспышек смертельно опасных заболеваний, таких как корь.
📊 Принятие подобных решений на уровне национальных агентств может восприниматься как сигнал о существовании проблемы там, где её нет, что играет на руку анти-вакцинационному движению.
🔎 Текущая доказательная база говорит: нет связи между MMR и аутизмом. Кеннеди-младший и другие политики, влияющие на научные решения, рискуют ставить политику выше доказательной медицины.
Вывод
📢 Даже если 99% людей в соцсетях верят в миф, он не становится правдой. CDC принимает сомнительное решение тратя ресурсы на исследования, которые уже многократно проводились и давали четкие ответы. Вместо этого важно сосредоточиться на борьбе с реальной проблемой — падением уровня вакцинации и вспышками инфекционных заболеваний.
⚖️ Как вы считаете, когда научные вопросы становятся политическими, кто должен ставить точку – ученые или чиновники?
#УголокМедНауки #Вакцинация #MMR #Аутизм #CDC #Фактчек #Конспирология #ПолитикаИНаука #ФейкПротивФакта #Антиваксы
21.03.202513:45
🧠 Real-World Evidence vs. Clinical Trials: союз или противостояние?
🔍 Когда данные из реальной жизни становятся основанием для регуляторных решений
Как вы все знаете, рандомизированные клинические испытания (РКИ, RCT) — это «золотой стандарт» доказательной медицины.
Но у РКИ есть ограничения:
📌 включают только определённые группы пациентов
📌 проводятся в контролируемых условиях
📌 не отражают повседневную практику
Именно тут в дело вступают RWD (Real-World Data) и RWE (Real-World Evidence).
RWD — это данные из реальной клинической практики: электронные медкарты, регистры, страховые базы.
RWE — это научные выводы, доказательная база, полученная при анализе этих данных.
Сегодня RWE активно используют FDA, EMA, NCCN и другие регуляторы — особенно при оценке редких состояний, онкологических препаратов и в экстренных ситуациях.
📍 Примеры RWE в действии
🦠 COVID-19: эффективность вакцин
📖 Источник: Dagan et al., NEJM 2021
📍 Данные из Clalit Health Services (Израиль) — >1,1 млн человек
📌 Подтвердили эффективность вакцины Pfizer в «реальных» условиях:
92% защита от инфицирования
87% от госпитализации
92% от тяжёлого течения
➡️ Использовано для принятия решений о бустерах и приоритетных группах вакцинации
🧬 Онкология: таргетная терапия off-label
📖 Источник: Singal et al., JAMA 2019
📍 База данных Flatiron Health: данные из EHR + генетические профили опухолей
📌 Позволила оценить эффективность терапии при редких мутациях (например, EGFR, ALK, ROS1) у пациентов с немелкоклеточным раком лёгких вне РКИ
➡️ Использовалась для обновления рекомендаций NCCN по off-label использованию препаратов
🧪 Фармаконадзор: риск рака мочевого пузыря
📖 Источник: Lewis et al., JAMA 2015
📍 Данные из Kaiser Permanente (>190 тыс. человек с диабетом)
📌 RWE показали потенциальную связь между применением пиоглитазона и раком мочевого пузыря
➡️ Это привело к предупреждениям FDA и EMA и изменению практики назначения препарата
🤝 RCT и RWE — не конкуренты, а союзники
РКИ дают внутреннюю достоверность
RWE показывает, как терапия работает в реальной жизни
Вместе они формируют устойчивую основу для клинических решений
📌 Таким образом
✔️ RWE помогает понять, как лечение работает у реальных пациентов
✔️ Это особенно важно в онкологии, фармаконадзоре, редких заболеваниях и при эпидемиях и пандемиях
✔️ Всё больше регуляторов официально признают роль RWE в принятии решений
❓ А в каких областях медицины, на ваш взгляд, особенно не хватает данных из реальной жизни? 🤔👇
P.S. Картинка из статьи Snyder JM et al. Curr Oncol Rep. 2020 Apr 16;22(5):45.
#УголокМедНауки #RealWorldEvidence #RWE #RWD #ДоказательнаяМедицина #FDA #Методология #EBM #БольшиеДанные #КакПонятьНауку
🔍 Когда данные из реальной жизни становятся основанием для регуляторных решений
Как вы все знаете, рандомизированные клинические испытания (РКИ, RCT) — это «золотой стандарт» доказательной медицины.
Но у РКИ есть ограничения:
📌 включают только определённые группы пациентов
📌 проводятся в контролируемых условиях
📌 не отражают повседневную практику
Именно тут в дело вступают RWD (Real-World Data) и RWE (Real-World Evidence).
RWD — это данные из реальной клинической практики: электронные медкарты, регистры, страховые базы.
RWE — это научные выводы, доказательная база, полученная при анализе этих данных.
Сегодня RWE активно используют FDA, EMA, NCCN и другие регуляторы — особенно при оценке редких состояний, онкологических препаратов и в экстренных ситуациях.
📍 Примеры RWE в действии
🦠 COVID-19: эффективность вакцин
📖 Источник: Dagan et al., NEJM 2021
📍 Данные из Clalit Health Services (Израиль) — >1,1 млн человек
📌 Подтвердили эффективность вакцины Pfizer в «реальных» условиях:
92% защита от инфицирования
87% от госпитализации
92% от тяжёлого течения
➡️ Использовано для принятия решений о бустерах и приоритетных группах вакцинации
🧬 Онкология: таргетная терапия off-label
📖 Источник: Singal et al., JAMA 2019
📍 База данных Flatiron Health: данные из EHR + генетические профили опухолей
📌 Позволила оценить эффективность терапии при редких мутациях (например, EGFR, ALK, ROS1) у пациентов с немелкоклеточным раком лёгких вне РКИ
➡️ Использовалась для обновления рекомендаций NCCN по off-label использованию препаратов
🧪 Фармаконадзор: риск рака мочевого пузыря
📖 Источник: Lewis et al., JAMA 2015
📍 Данные из Kaiser Permanente (>190 тыс. человек с диабетом)
📌 RWE показали потенциальную связь между применением пиоглитазона и раком мочевого пузыря
➡️ Это привело к предупреждениям FDA и EMA и изменению практики назначения препарата
🤝 RCT и RWE — не конкуренты, а союзники
РКИ дают внутреннюю достоверность
RWE показывает, как терапия работает в реальной жизни
Вместе они формируют устойчивую основу для клинических решений
📌 Таким образом
✔️ RWE помогает понять, как лечение работает у реальных пациентов
✔️ Это особенно важно в онкологии, фармаконадзоре, редких заболеваниях и при эпидемиях и пандемиях
✔️ Всё больше регуляторов официально признают роль RWE в принятии решений
❓ А в каких областях медицины, на ваш взгляд, особенно не хватает данных из реальной жизни? 🤔👇
P.S. Картинка из статьи Snyder JM et al. Curr Oncol Rep. 2020 Apr 16;22(5):45.
#УголокМедНауки #RealWorldEvidence #RWE #RWD #ДоказательнаяМедицина #FDA #Методология #EBM #БольшиеДанные #КакПонятьНауку
17.03.202514:03
Продолжаем говорить о видах исследований в медицине
🔍 5. Cистематический обзор (Systematic Review) - синтезируем доказательную базу
В мире публикуются тысячи медицинских исследований каждый год. Как врачам, учёным и организаторам разобраться, что действительно работает? 🤔
📢 Систематический обзор – это метод исследования, который обобщает все имеющиеся в мире данные и даёт ответ на определённый вопрос с применением строгих, воспроизводимых методов.
🔹 Он помогает найти и проанализировать всю доступную информацию, снижая предвзятость
🔹 Позволяет оценить, насколько надёжна доказательная база и какие biases есть в исследованиях, включенных в систематический обзор
🔹 Может включать метаанализ (это не обязательное условие) – статистическое объединение данных нескольких исследований
📌 Пример:
Допустим, выходит новое лекарство от астмы. Одно исследование говорит, что оно эффективно, другое – что нет. Как разобраться? Систематический обзор объединит данные всех исследований по теме, оценит потенциальные biases и сделает выводы.
📊 Какие бывают виды систематических обзоров?
Систематические обзоры могут отвечать на разные вопросы, например:
🔹 Об эффективности (Intervention Reviews)
👉 Например: Предотвращает ли атопический дерматит и пищевую аллергию применение эмолиентов у малышей?
✔️ Такие обзоры чаще всего оценивают эффективность лечения по данным РКИ (RCT)
🔹 О распространённости и заболеваемости (Prevalence Reviews)
👉 Например: Какова частота пищевой аллергии в Европе?
✔️ Используют эпидемиологические исследования
🔹 О диагностической точности (Diagnostic Accuracy Reviews)
👉 Например: Насколько точны различные методы в диагностике пищевой аллергии?
✔️ Помогают понять, насколько чувствителен и специфичен тест
🔹 О факторах риска и прогностических факторах (Prognostic Reviews)
👉 Например: Прогностические факторы, связанные с летальностью у пациентов, получающих ЭКМО при COVID-19
✔️ Такие обзоры важны для предсказания исходов болезни
🔹 Синтез данных качественных исследований (Qualitative Reviews)
👉 Например: Субъективный опыт и значение бреда при психозе
✔️ Изучают переживания, взгляды, убеждения и социальный контекст
📌 Важно: Разные обзоры требуют разных методов оценки risk of bias (RoB 2.0, ROBINS-I, QUADAS-2 и др.) и certainty of evidence.
📢 Как систематические обзоры помогают в клинических рекомендациях?
🔹 Они информируют и формируют основу для клинических рекомендаций
✔️ Так если данные показывают, что лечение эффективно, оно включается в гайдлайны
✔️ Если доказательств недостаточно, рекомендации остаются слабыми
🔹 Они помогают обновлять рекомендации
✔️ По мере появления новых исследований систематические обзоры пересматриваются, а рекомендации меняются
📌 Пример:
Ранее считалось, что детям с риском аллергии нужно избегать арахиса. Однако систематические обзоры показали, что раннее введение арахиса снижает риск аллергии. Теперь это включено в международные рекомендации.
📚 БАЗОВЫЕ ГАЙДЫ И РУКОВОДСТВА
🔹 PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses)
✔️ Главный стандарт для отчетности систематических обзоров
✔️ Включает чек-лист PRISMA и схему отбора исследований
🔹 PROSPERO (International Prospective Register of Systematic Reviews)
✔️ Реестр для регистрации протоколов систематических обзоров
🔹 Cochrane Handbook for Systematic Reviews of Interventions
✔️ Полное руководство по проведению систематических обзоров и метаанализов
🔹 JBI Manual for Evidence Synthesis
✔️ Руководство от Joanna Briggs Institute (JBI), полезное не только для систематических, но и для скопинг-обзоров
✔️ Чёткие инструкции по извлечению данных, критической оценке и синтезу
📢 Вывод: Систематические обзоры – это фундамент доказательной медицины. Они помогают принимать взвешенные решения, разрабатывать клинические рекомендации и находить оптимальные стратегии лечения.
💬 А вы когда-нибудь проводили систематические обзоры? Если нет, хотели бы вы это сделать и что вам было бы полезно ☺️
#УголокМедНауки #Методология #ТипыИсследований #СистематическийОбзор #МетаАнализ #EBM #Публикация
🔍 5. Cистематический обзор (Systematic Review) - синтезируем доказательную базу
В мире публикуются тысячи медицинских исследований каждый год. Как врачам, учёным и организаторам разобраться, что действительно работает? 🤔
📢 Систематический обзор – это метод исследования, который обобщает все имеющиеся в мире данные и даёт ответ на определённый вопрос с применением строгих, воспроизводимых методов.
🔹 Он помогает найти и проанализировать всю доступную информацию, снижая предвзятость
🔹 Позволяет оценить, насколько надёжна доказательная база и какие biases есть в исследованиях, включенных в систематический обзор
🔹 Может включать метаанализ (это не обязательное условие) – статистическое объединение данных нескольких исследований
📌 Пример:
Допустим, выходит новое лекарство от астмы. Одно исследование говорит, что оно эффективно, другое – что нет. Как разобраться? Систематический обзор объединит данные всех исследований по теме, оценит потенциальные biases и сделает выводы.
📊 Какие бывают виды систематических обзоров?
Систематические обзоры могут отвечать на разные вопросы, например:
🔹 Об эффективности (Intervention Reviews)
👉 Например: Предотвращает ли атопический дерматит и пищевую аллергию применение эмолиентов у малышей?
✔️ Такие обзоры чаще всего оценивают эффективность лечения по данным РКИ (RCT)
🔹 О распространённости и заболеваемости (Prevalence Reviews)
👉 Например: Какова частота пищевой аллергии в Европе?
✔️ Используют эпидемиологические исследования
🔹 О диагностической точности (Diagnostic Accuracy Reviews)
👉 Например: Насколько точны различные методы в диагностике пищевой аллергии?
✔️ Помогают понять, насколько чувствителен и специфичен тест
🔹 О факторах риска и прогностических факторах (Prognostic Reviews)
👉 Например: Прогностические факторы, связанные с летальностью у пациентов, получающих ЭКМО при COVID-19
✔️ Такие обзоры важны для предсказания исходов болезни
🔹 Синтез данных качественных исследований (Qualitative Reviews)
👉 Например: Субъективный опыт и значение бреда при психозе
✔️ Изучают переживания, взгляды, убеждения и социальный контекст
📌 Важно: Разные обзоры требуют разных методов оценки risk of bias (RoB 2.0, ROBINS-I, QUADAS-2 и др.) и certainty of evidence.
📢 Как систематические обзоры помогают в клинических рекомендациях?
🔹 Они информируют и формируют основу для клинических рекомендаций
✔️ Так если данные показывают, что лечение эффективно, оно включается в гайдлайны
✔️ Если доказательств недостаточно, рекомендации остаются слабыми
🔹 Они помогают обновлять рекомендации
✔️ По мере появления новых исследований систематические обзоры пересматриваются, а рекомендации меняются
📌 Пример:
Ранее считалось, что детям с риском аллергии нужно избегать арахиса. Однако систематические обзоры показали, что раннее введение арахиса снижает риск аллергии. Теперь это включено в международные рекомендации.
📚 БАЗОВЫЕ ГАЙДЫ И РУКОВОДСТВА
🔹 PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses)
✔️ Главный стандарт для отчетности систематических обзоров
✔️ Включает чек-лист PRISMA и схему отбора исследований
🔹 PROSPERO (International Prospective Register of Systematic Reviews)
✔️ Реестр для регистрации протоколов систематических обзоров
🔹 Cochrane Handbook for Systematic Reviews of Interventions
✔️ Полное руководство по проведению систематических обзоров и метаанализов
🔹 JBI Manual for Evidence Synthesis
✔️ Руководство от Joanna Briggs Institute (JBI), полезное не только для систематических, но и для скопинг-обзоров
✔️ Чёткие инструкции по извлечению данных, критической оценке и синтезу
📢 Вывод: Систематические обзоры – это фундамент доказательной медицины. Они помогают принимать взвешенные решения, разрабатывать клинические рекомендации и находить оптимальные стратегии лечения.
💬 А вы когда-нибудь проводили систематические обзоры? Если нет, хотели бы вы это сделать и что вам было бы полезно ☺️
#УголокМедНауки #Методология #ТипыИсследований #СистематическийОбзор #МетаАнализ #EBM #Публикация
19.03.202513:35
🔬 Исходы в клинических исследованиях: почему они важны?
Когда мы оцениваем эффективность лечения, важно понимать, что в рамках исследования оценивают некие параметры в качестве "конечной точки". Какие именно исходы (outcomes) измеряют учёные? Как их выбирают?
📌 Исход (endpoint, outcome) – это параметр, который исследователи используют для оценки эффективности лечения или его безопасности.
Но не все исходы одинаково полезны. Разные исследования могут использовать разные исходы, что мешает сравнивать результаты и формировать клинические рекомендации.
💡 Пример проблемы:
В исследованиях лечения астмы один учёный оценивает частоту приступов, а другой – качество жизни пациентов.
Как их результаты можно объединить в систематическом обзоре или метаанализе?
📌 Какие бывают исходы в клинических исследованиях?
🔹 Первичные (Primary outcomes)
✔️ Главный показатель, по которому оценивают эффективность лечения
✔️ Например, в исследовании лекарства от гипертонии первичным исходом может быть изменение артериального давления
🔹 Вторичные (Secondary outcomes)
✔️ Дополнительные показатели, которые дают более полную картину
✔️ Например, при изучении гипертонии можно измерять частоту инфарктов или побочные эффекты
🔹 Суррогатные (Surrogate outcomes)
✔️ Биомаркеры, которые предположительно связаны с клиническими исходами
✔️ Проблема: зачастую улучшение суррогатных показателей НЕ означает реальную, ощутимую, пользу для пациента
📌 Пример ошибки с суррогатными исходами:
Фавипиравир – это противовирусный препарат, изучавшийся в исследованиях по лечению COVID-19. В систематическом обзоре и метаанализе (Hung et al., 2022) авторы оценивали его эффективность и безопасность по нескольким параметрам.
✔️ Скорость элиминации вируса
✔️ Снижение температуры
✔️ Рентгенологическое улучшение состояния лёгких
✔️ Клиническое улучшение
✔️ Длительность госпитализации
✔️ Смертность
⚠️ Где проблема с суррогатными исходами?
🚨 Важно понимать: скорость элиминации вируса или снижение температуры – это не то же самое, что снижение смертности или улучшение долгосрочных клинических исходов. Пациенты, получавшие фавипиравир, быстрее избавлялись от вируса, также раньше "спадала" температура, НО смертность в группах фавипиравира и стандартного лечения НЕ различалась.
💡 Что это значит?
✔️Быстрое очищение организма от вируса не всегда приводит к улучшению клинических исходов
✔️Клиническое выздоровление и снижение смертности – более значимые конечные точки, чем просто лабораторные показатели
⚖️ Почему важно стандартизировать исходы?
🚨 Гетерогенность исходов и способов их оценки – одна из основных проблем современных исследований
🔹 Разные исследования по одной и той же теме могут использовать разные критерии эффективности
🔹 Это мешает проводить метаанализы и формировать доказательную базу
Если в каждом исследовании измеряют разные параметры, объединить их результаты сложно или невозможно.
👉 Чтобы решить эту проблему, разрабатываются Core Outcome Sets (COS) – стандартизированные списки ключевых исходов, которые должны включаться во все исследования по данной теме. Разработка COS помогает сделать результаты исследований более сопоставимыми и улучшить клинические рекомендации.
📌 Примеры COS:
🔹Eczema
🔹Post-covid-19 condition
🔹Rheumatology
Если все исследования используют одни и те же исходы, их результаты можно объединять и анализировать 😊
🌍 COMET (Core Outcome Measures in Effectiveness Trials) Initiative – это глобальная инициатива, которая помогает исследователям разрабатывать и внедрять Core Outcome Sets
📢 Вывод
✔️ Выбор исходов – критически важный этап в клинических исследованиях
✔️ Использование Core Outcome Sets делает исследования более сравнимыми и полезными для клинической практики
✔️ COMET Initiative помогает внедрять COS, чтобы улучшить доказательную медицину
💬 Как думаете, в каких ещё областях медицины не хватает стандартизации исходов ? Давайте обсудим! ☺️
#УголокМедНауки #CoreOutcomeSet #COMET #КлиническиеИсследования #Методология #EBM #МетаАнализ #СтандартизацияДанных
Когда мы оцениваем эффективность лечения, важно понимать, что в рамках исследования оценивают некие параметры в качестве "конечной точки". Какие именно исходы (outcomes) измеряют учёные? Как их выбирают?
📌 Исход (endpoint, outcome) – это параметр, который исследователи используют для оценки эффективности лечения или его безопасности.
Но не все исходы одинаково полезны. Разные исследования могут использовать разные исходы, что мешает сравнивать результаты и формировать клинические рекомендации.
💡 Пример проблемы:
В исследованиях лечения астмы один учёный оценивает частоту приступов, а другой – качество жизни пациентов.
Как их результаты можно объединить в систематическом обзоре или метаанализе?
📌 Какие бывают исходы в клинических исследованиях?
🔹 Первичные (Primary outcomes)
✔️ Главный показатель, по которому оценивают эффективность лечения
✔️ Например, в исследовании лекарства от гипертонии первичным исходом может быть изменение артериального давления
🔹 Вторичные (Secondary outcomes)
✔️ Дополнительные показатели, которые дают более полную картину
✔️ Например, при изучении гипертонии можно измерять частоту инфарктов или побочные эффекты
🔹 Суррогатные (Surrogate outcomes)
✔️ Биомаркеры, которые предположительно связаны с клиническими исходами
✔️ Проблема: зачастую улучшение суррогатных показателей НЕ означает реальную, ощутимую, пользу для пациента
📌 Пример ошибки с суррогатными исходами:
Фавипиравир – это противовирусный препарат, изучавшийся в исследованиях по лечению COVID-19. В систематическом обзоре и метаанализе (Hung et al., 2022) авторы оценивали его эффективность и безопасность по нескольким параметрам.
✔️ Скорость элиминации вируса
✔️ Снижение температуры
✔️ Рентгенологическое улучшение состояния лёгких
✔️ Клиническое улучшение
✔️ Длительность госпитализации
✔️ Смертность
⚠️ Где проблема с суррогатными исходами?
🚨 Важно понимать: скорость элиминации вируса или снижение температуры – это не то же самое, что снижение смертности или улучшение долгосрочных клинических исходов. Пациенты, получавшие фавипиравир, быстрее избавлялись от вируса, также раньше "спадала" температура, НО смертность в группах фавипиравира и стандартного лечения НЕ различалась.
💡 Что это значит?
✔️Быстрое очищение организма от вируса не всегда приводит к улучшению клинических исходов
✔️Клиническое выздоровление и снижение смертности – более значимые конечные точки, чем просто лабораторные показатели
⚖️ Почему важно стандартизировать исходы?
🚨 Гетерогенность исходов и способов их оценки – одна из основных проблем современных исследований
🔹 Разные исследования по одной и той же теме могут использовать разные критерии эффективности
🔹 Это мешает проводить метаанализы и формировать доказательную базу
Если в каждом исследовании измеряют разные параметры, объединить их результаты сложно или невозможно.
👉 Чтобы решить эту проблему, разрабатываются Core Outcome Sets (COS) – стандартизированные списки ключевых исходов, которые должны включаться во все исследования по данной теме. Разработка COS помогает сделать результаты исследований более сопоставимыми и улучшить клинические рекомендации.
📌 Примеры COS:
🔹Eczema
🔹Post-covid-19 condition
🔹Rheumatology
Если все исследования используют одни и те же исходы, их результаты можно объединять и анализировать 😊
🌍 COMET (Core Outcome Measures in Effectiveness Trials) Initiative – это глобальная инициатива, которая помогает исследователям разрабатывать и внедрять Core Outcome Sets
📢 Вывод
✔️ Выбор исходов – критически важный этап в клинических исследованиях
✔️ Использование Core Outcome Sets делает исследования более сравнимыми и полезными для клинической практики
✔️ COMET Initiative помогает внедрять COS, чтобы улучшить доказательную медицину
💬 Как думаете, в каких ещё областях медицины не хватает стандартизации исходов ? Давайте обсудим! ☺️
#УголокМедНауки #CoreOutcomeSet #COMET #КлиническиеИсследования #Методология #EBM #МетаАнализ #СтандартизацияДанных
Увайдзіце, каб разблакаваць больш функцый.