Независимая Национальная Академия Доказательной Медицины (НКО ННАДМ)
На нашей платформе вы найдете материалы в области доказательной медицины и критической оценки научных публикаций
Сайт: http://nnadm.ru/
Ютуб: https://youtube.com/@nnadm?si=FY7lRxZfrc8HsxoJ
ВК: https://m.vk.com/club311384
Почта: nko.nnadm@outlook.com
Сайт: http://nnadm.ru/
Ютуб: https://youtube.com/@nnadm?si=FY7lRxZfrc8HsxoJ
ВК: https://m.vk.com/club311384
Почта: nko.nnadm@outlook.com
TGlist рейтингі
0
0
ТүріҚоғамдық
Растау
РасталмағанСенімділік
СенімсізОрналасқан жеріРосія
ТілБасқа
Канал құрылған күніКвіт 06, 2024
TGlist-ке қосылған күні
Серп 14, 2024Қосылған топ
Клуб Исследователей ННАДМ
157
Рекордтар
07.12.202423:59
7.9KЖазылушылар28.02.202518:36
700Дәйексөз индексі23.03.202508:37
2.9K1 жазбаның қамтуы01.02.202523:59
1.1KЖарнамалық жазбаның қамтуы07.01.202516:42
11.62%ER07.04.202515:03
41.19%ERRНезависимая Национальная Академия Доказательной Медицины (НКО ННАДМ) танымал жазбалары
Қайта жіберілді:
medstatistic
05.04.202506:15
Какой сервис использовать для написания научного текста?
Современные ИИ-системы способны не просто извлекать данные, но и систематизировать их, проводить анализ и генерировать полноценный текст целых разделов научной работы.
Если успели познакомиться с нашей статьей по результатам исследования предпочтений мужчин и женщин, могли заметить среди используемых нами новый сервис - STORM (storm.genie.Stanford.edu). Он разработан Стэнфордским университетом и позволяет создавать детализированные, хорошо структурированные обзорные статьи.
Чем STORM отличается от других ИИ?
🔹 В отличие от универсальных ИИ (ChatGPT, Gemini) или поисковых систем (Elicit, Semantic Scholar), STORM специализируется на работе с обзорными статьями — от разработки плана и структуры до финального текста.
🔹 Автоматизирует поиск литературных источников, значительно экономя время исследователя. Важно, что STORM сканирует надежные научные источники (библиотечные базы, журналы, препринты), а не просто выдает список статей (как Consensus или Scite).
🔹 STORM самостоятельно разрабатывает план обзора, в котором выделены смысловые части, следующие друг за другом (в отличие от не связанных между собой ответов ChatGPT).
🔹 Сопоставляет разные мнения по одной и той же теме, выявляя их расхождение или согласие. Помогает связать новое исследование с ранее опубликованными работами.
🔹 Пишет качественный текст. Генерирует связные формулировки между предложениями, адаптируя стиль под академические стандарты.
🔹 Формирует ссылки на использованную литературу, учитывает стиль цитирования (APA, MLA и др.) и требования к формату, которые можно потом использовать при составлении списка литературы
Конечно, как и у любого ИИ, у STORM есть свои ограничения и риски:
🔺 Автоматически собранные данные требуют подтверждения — нейросеть может упустить нюансы запроса или включить устаревшую информацию.
🔺 Тексты «из-под пера» STORM нуждаются в доработке автором статьи, чтобы избежать шаблонных выражений, «галлюцинаций», а также и обеспечить авторский вклад в работу.
🔺 Язык интерфейса и запросов в STORM - английский
Итак, на сегодняшний день STORM — один из самых продвинутых инструментов для автоматического создания научных обзоров. Он сочетает глубокий анализ с четкой структурой. Для некоторых задач (поиск статей, проверка гипотез) могут быть полезны Elicit или Scite, но в своей нише STORM пока не имеет равных🏆
Более подробно о работе со STORM и другими не менее полезными нейросетями будем рассказывать на Мастер-классе по работе с литературой, который начинается 7 апреля.
Посмотреть подробную информацию и записаться на курс можно по ссылке: https://taplink.cc/medstatistic/p/397b8f/
Современные ИИ-системы способны не просто извлекать данные, но и систематизировать их, проводить анализ и генерировать полноценный текст целых разделов научной работы.
Если успели познакомиться с нашей статьей по результатам исследования предпочтений мужчин и женщин, могли заметить среди используемых нами новый сервис - STORM (storm.genie.Stanford.edu). Он разработан Стэнфордским университетом и позволяет создавать детализированные, хорошо структурированные обзорные статьи.
Чем STORM отличается от других ИИ?
🔹 В отличие от универсальных ИИ (ChatGPT, Gemini) или поисковых систем (Elicit, Semantic Scholar), STORM специализируется на работе с обзорными статьями — от разработки плана и структуры до финального текста.
🔹 Автоматизирует поиск литературных источников, значительно экономя время исследователя. Важно, что STORM сканирует надежные научные источники (библиотечные базы, журналы, препринты), а не просто выдает список статей (как Consensus или Scite).
🔹 STORM самостоятельно разрабатывает план обзора, в котором выделены смысловые части, следующие друг за другом (в отличие от не связанных между собой ответов ChatGPT).
🔹 Сопоставляет разные мнения по одной и той же теме, выявляя их расхождение или согласие. Помогает связать новое исследование с ранее опубликованными работами.
🔹 Пишет качественный текст. Генерирует связные формулировки между предложениями, адаптируя стиль под академические стандарты.
🔹 Формирует ссылки на использованную литературу, учитывает стиль цитирования (APA, MLA и др.) и требования к формату, которые можно потом использовать при составлении списка литературы
Конечно, как и у любого ИИ, у STORM есть свои ограничения и риски:
🔺 Автоматически собранные данные требуют подтверждения — нейросеть может упустить нюансы запроса или включить устаревшую информацию.
🔺 Тексты «из-под пера» STORM нуждаются в доработке автором статьи, чтобы избежать шаблонных выражений, «галлюцинаций», а также и обеспечить авторский вклад в работу.
🔺 Язык интерфейса и запросов в STORM - английский
Итак, на сегодняшний день STORM — один из самых продвинутых инструментов для автоматического создания научных обзоров. Он сочетает глубокий анализ с четкой структурой. Для некоторых задач (поиск статей, проверка гипотез) могут быть полезны Elicit или Scite, но в своей нише STORM пока не имеет равных🏆
Более подробно о работе со STORM и другими не менее полезными нейросетями будем рассказывать на Мастер-классе по работе с литературой, который начинается 7 апреля.
Посмотреть подробную информацию и записаться на курс можно по ссылке: https://taplink.cc/medstatistic/p/397b8f/
Қайта жіберілді:
Ebm_base
20.03.202505:04
ЕЩЕ! ЕЩЕ! ЕЩЕ! ДОВОЛЬНО! ПОЩАДИ...
Те, кто отвечают на вопросы в чатах по статистике, вы уже закатили глаза? Этот вопрос не редкость (чаще только вопросы про нормальность и пинки Матвея, кстати рекомендую подписаться на его канал)
Почему же такой "простой" вопрос вызывает так много трудностей?
Для ответа на него нужно много нюансов и предположений (формулу затем посчитать не сложно, в большинстве случаев). [1]
Разделим их на методологические, клинические и статистические (классификация имени клоуна Никиты, но мне кажется так удобнее объяснить или нет...)
Стоит признать, что большая часть исследований в медицине это тестирование гипотез, т.е. формулируются нулевая и альтернативные гипотезы, тестируется нулевая на основе данных (насколько они согласуются с ней), делается решение отклонить или не отклонить Н0, вывод.
Это ни хорошо, ни плохо. Скорее это подходит для узкого круга задач (но эти философские рассуждения оставим для комментаторов, в чате тут как раз можно прочитать).
Получается, что внутри методологии любого такого исследования должна стоять гипотеза. Формулируется она определенным образом на основе клинической и статистической составляющих (в зависимости от этого могут возникать разные альтернативы), и "простые" гипотезы преимущественно встречаются в РКИ (но не всегда). Мне кажется, одной только теме гипотез и их определению можно посвятить целые книги и уроки. [2, 3]
Клинически нам надо определить группы, вмешательства, срок и какой исход мы смотрим. Мы можем оценивать общую выживаемость, количество летальных исходов, интенсивность боли по ВАШ, АД и т.п. При этом необходимо предполагать/иметь какой-то базовый/референсный результат для контрольной группы, и какой клинический эффект (его размер) мы ожидаем увидеть (можно его предположить из пилотного исследования). [4, 5]
Затем нужно определить какая вероятность ошибок I и II рода для нас будет достаточной. [6] Согласны ли мы со стандартным уровнем ложно-положительного результата в 5%? Мб нам лучше меньше? Потом нужно не забыть, что % доверительного интервала станет больше (если выберем ошибку I рода меньше 5%), и порог для отклонения Н0 для p-value станет меньше. А если планируем эффект измерять в относительных величинах (RR, OR, HR), то верно определить его, перевести клиническую идею в статистический показатель (снижение относительного риска на 40% = RR 0,6). Затем разобраться как его будем получать (через таблицы 2х2 или вид модели). [7]
А в конце вмещается суровая реальность. Это наши ресурсы: сколько вообще возможно набрать пациентов за установленный срок, можем ли расширить срок набора, можно ли расширить количество центров, сколько необходимо финансовых затрат и т.п.
И начинаются коррекции... Мб попробуем найти более выраженный эффект? А мб мы смиримся с ошибкой I рода в 10%? И т.д. [8]
А если кто-то пропадет/исключится/потеряется из исследования? Надо заложить и под это ожидаемую потерю (drop out rate)... Чтобы был небольшой запас.
Почему же такой "простой" вопрос вызывает так много трудностей?
Оказыается, чтобы выбрать формулу и вставить в нее какие-то значения, необходимо знать нюансы и сделать достаточно предположений (иногда мне кажется, что нужно изучить всю статистику прежде, чем считать размер выборки)
При этом если у вас несколько первичных конечных точек, то желательно провести расчет на каждую и выбрать наибольшую...
Есть альтернативы?
- Можно попробовать сделать симуляцию механизма генерации данных и посмотреть на какой примерно уровне будет достигнута необходимая для нас мощность [9]
- Можно не считать, а исходить из того, что получится собрать (одобрят ли вам такой подход, особенно при финансировании?) [10]
- Можно попробовать байесовские подходы [11, 12]
@ebm_base
"А вот у меня n пациентов в группах, этого достаточно?"
Те, кто отвечают на вопросы в чатах по статистике, вы уже закатили глаза? Этот вопрос не редкость (чаще только вопросы про нормальность и пинки Матвея, кстати рекомендую подписаться на его канал)
Почему же такой "простой" вопрос вызывает так много трудностей?
Для ответа на него нужно много нюансов и предположений (формулу затем посчитать не сложно, в большинстве случаев). [1]
Разделим их на методологические, клинические и статистические (классификация имени клоуна Никиты, но мне кажется так удобнее объяснить или нет...)
Стоит признать, что большая часть исследований в медицине это тестирование гипотез, т.е. формулируются нулевая и альтернативные гипотезы, тестируется нулевая на основе данных (насколько они согласуются с ней), делается решение отклонить или не отклонить Н0, вывод.
Это ни хорошо, ни плохо. Скорее это подходит для узкого круга задач (но эти философские рассуждения оставим для комментаторов, в чате тут как раз можно прочитать).
Получается, что внутри методологии любого такого исследования должна стоять гипотеза. Формулируется она определенным образом на основе клинической и статистической составляющих (в зависимости от этого могут возникать разные альтернативы), и "простые" гипотезы преимущественно встречаются в РКИ (но не всегда). Мне кажется, одной только теме гипотез и их определению можно посвятить целые книги и уроки. [2, 3]
Клинически нам надо определить группы, вмешательства, срок и какой исход мы смотрим. Мы можем оценивать общую выживаемость, количество летальных исходов, интенсивность боли по ВАШ, АД и т.п. При этом необходимо предполагать/иметь какой-то базовый/референсный результат для контрольной группы, и какой клинический эффект (его размер) мы ожидаем увидеть (можно его предположить из пилотного исследования). [4, 5]
Затем нужно определить какая вероятность ошибок I и II рода для нас будет достаточной. [6] Согласны ли мы со стандартным уровнем ложно-положительного результата в 5%? Мб нам лучше меньше? Потом нужно не забыть, что % доверительного интервала станет больше (если выберем ошибку I рода меньше 5%), и порог для отклонения Н0 для p-value станет меньше. А если планируем эффект измерять в относительных величинах (RR, OR, HR), то верно определить его, перевести клиническую идею в статистический показатель (снижение относительного риска на 40% = RR 0,6). Затем разобраться как его будем получать (через таблицы 2х2 или вид модели). [7]
А в конце вмещается суровая реальность. Это наши ресурсы: сколько вообще возможно набрать пациентов за установленный срок, можем ли расширить срок набора, можно ли расширить количество центров, сколько необходимо финансовых затрат и т.п.
И начинаются коррекции... Мб попробуем найти более выраженный эффект? А мб мы смиримся с ошибкой I рода в 10%? И т.д. [8]
А если кто-то пропадет/исключится/потеряется из исследования? Надо заложить и под это ожидаемую потерю (drop out rate)... Чтобы был небольшой запас.
Почему же такой "простой" вопрос вызывает так много трудностей?
Оказыается, чтобы выбрать формулу и вставить в нее какие-то значения, необходимо знать нюансы и сделать достаточно предположений (иногда мне кажется, что нужно изучить всю статистику прежде, чем считать размер выборки)
При этом если у вас несколько первичных конечных точек, то желательно провести расчет на каждую и выбрать наибольшую...
Есть альтернативы?
- Можно попробовать сделать симуляцию механизма генерации данных и посмотреть на какой примерно уровне будет достигнута необходимая для нас мощность [9]
- Можно не считать, а исходить из того, что получится собрать (одобрят ли вам такой подход, особенно при финансировании?) [10]
- Можно попробовать байесовские подходы [11, 12]
@ebm_base
Көбірек мүмкіндіктерді ашу үшін кіріңіз.
