😀 ءEffect size چیه و چرا انقدر مهمه؟

ببین، خیلی وقتا توی یه تحقیق، فقط نمی‌خوای بدونی که یه چیز "تأثیر داره یا نه" (یعنی فقط به P-value نگاه کنی). بلکه می‌خوای بدونی چقدر تأثیر داره؟ اینجاست که effect size وارد ماجرا میشه.

📍 توی مطالعات متاآنالیز و حتی مقاله‌های اوریجینال، چند مدل effect size معروف داریم:

🔘 Mean Difference (MD):
وقتی میانگین یه متغیر (مثلاً فشار خون) توی دو گروه مقایسه میشه. این بیشتر وقتی کاربرد داره که واحد اندازه‌گیری توی همه‌ی مطالعات یکی باشه.

🔘 Standardized Mean Difference (SMD):
وقتی مطالعات مختلف یه چیزی رو با مقیاس‌های مختلف اندازه گرفتن، میانگین‌ها رو استاندارد می‌کنیم. اینجوری می‌تونیم مقایسه‌شون کنیم. مثلاً: Cohen's d، Hedges’ g

🔘 Risk Ratio (RR) / Relative Risk:
وقتی می‌خوای بدونی ریسک یه اتفاق توی یه گروه نسبت به گروه دیگه چقدره. مثلاً اینکه احتمال سکته توی افراد سیگاری چند برابر غیرسیگاریاست؟

🔘 Odds Ratio (OR):
مثل Risk Ratio هست، ولی مخصوص تحلیل‌هایی مثل رگرسیون لجستیک یا وقتی که outcome نادر باشه. خیلی توی مطالعات case-control استفاده میشه.

🔘 Hazard Ratio (HR):
وقتی با داده‌های بقاء (survival data) سروکار داریم، مثلاً توی آنالیزهایی مثل Cox regression. می‌گه سرعت وقوع یه اتفاق توی یه گروه نسبت به گروه دیگه چقدره.

🧠 نکته مهم:
ءP-value می‌گه تأثیر معنی‌داره یا نه؛ ولی effect size می‌گه اون تأثیر چقدر مهم و کاربردیه! پس وقتی یه مقاله می‌خونی یا می‌نویسی، فقط به P-value خیره نشو 😉

🔝 اینجا توی Research Prime بهترین متغیرهای آماری رو توی مقاله امون استفاده میکنیم که توی بهترین جای ممکن چاپ شه‌.

✉️ ارتباط و پشتیبانی:
@ResearchPrimeSupport

✅ @ResearchPrime

📊 فرق Hedges’ g و Cohen’s d توی متاآنالیز چیه؟

اگه با متاآنالیز کار کرده باشی، احتمال زیاد اسم Cohen's d و Hedges’ g به گوشت خورده. هردوشون برای محاسبه‌ی اندازه اثر (effect size) توی مطالعاتی به کار می‌رن که متغیر وابسته پیوسته (مثل نمره، فشارخون، ...)‌ داره.

ولی فرقشون چیه؟ کِی از کدوم استفاده کنیم؟ 👇

✅ ءCohen's d چیه؟
ءCohen’s d اختلاف میانگین دو گروه رو بر انحراف معیار (SD) ترکیب‌شده تقسیم می‌کنه. یه شاخص ساده و رایج برای مقایسه دو گروهه.

📌 ولی یه نکته مهم داره:
وقتی حجم نمونه (sample size) کم باشه، Cohen's d یه‌کم اثر رو بیشتر از واقعی نشون می‌ده (یعنی bias داره).

✅ ءHedges’ g چیه؟
ءHedges’ g هم تقریباً همونه، ولی یه اصلاح کوچیک (correction) روی Cohen's d انجام می‌ده تا اون bias ناشی از حجم نمونه کم رو برطرف کنه. به همین دلیل، توی متاآنالیزهایی که مطالعات با n کم دارن، Hedges’ g بهتره.


🤫 جمع‌بندی:
اگه داری یه متاآنالیز انجام می‌دی و n خیلی بالا نیست، Hedges’ g انتخاب بهتریه.

🧠 یادت باشه همیشه فقط دنبال “معنی‌داری آماری” نباش—اندازه اثر اهمیت بیشتری داره!

✉️ ارتباط و پشتیبانی:
@ResearchPrimeSupport

✅ @ResearchPrime

🔍 فرق بین معنی‌داری آماری (Statistical significance) و اهمیت بالینی (Clinical significance) چیه؟

ءp-value تنها ملاک قضاوت نیست!

🧠 تو تحقیقات پزشکی، خیلی وقتا وقتی p<0.05 می‌شه، نویسنده‌ها ذوق‌زده می‌شن که «آها! نتیجه معنادار شد!»
ولی واقعاً یعنی چی؟
آیا فقط همین عدده که باید بهمون بگه فلان دارو خوبه یا نه؟ نه واقعاً!


✅ اول از همه: معنی‌داری آماری یعنی چی؟

وقتی توی یه مطالعه آماری، p-value کوچکتر از 0.05 بشه، یعنی:
> اگه فرض صفر (یعنی اینکه «تفاوتی وجود نداره») درست باشه،
فقط کمتر ۵٪ احتمال داره همچین نتیجه‌ای رو به‌طور اتفاقی ببینیم.

ولی این فقط یه قضاوت آماریه، نه بالینی!

❌ اما معنی‌داری آماری ≠ تاثیر واقعی تو زندگی بیمار!

یه نتیجه ممکنه آماری‌اش قشنگ باشه ولی توی دنیای واقعی برای بیمار اصلاً محسوس نباشه!

🔘 مثال ۱:
یه مطالعه می‌گه یه داروی جدید باعث شده فشار خون سیستولیک از ۱۳۰ برسه به ۱۲۹.۵
خب کاهش فقط نیم واحد! ولی چون نمونه خیلی بزرگ بوده، p=0.004 شده!

خب این از نظر آماری معناداره؟ بله
از نظر بالینی مهمه؟ نه اصلاً! بیمار همچنان فشار خون بالا داره و این تغییر رو حس نمی‌کنه.

🔘 مثال ۲:
یه مداخله روان‌شناختی باعث شده نمره افسردگی تو مقیاس BDI از ۲۴ برسه به ۱۸
یعنی کاهش ۶ واحدی! کلی تأثیر تو روحیه بیمار می‌ذاره
ولی چون n=18 نفر بوده، p=0.06 شده!

پس می‌گن آماری معنادار نیست، ولی واقعاً تأثیر بالینی قوی‌ای داره.

💡 حالا اینجا نقش MCID خیلی مهم می‌شه!

🤔 ءMCID یعنی چی؟
"حداقل تغییر مهم بالینی"
(Minimally Clinically Important Difference)

یه عددیه که می‌گه:
> "تغییری که از نظر خود بیمار قابل احساسه و تو کیفیت زندگی‌ش فرق ایجاد می‌کنه."


یعنی ممکنه تغییر کوچیک باشه، ولی اگه از MCID بیشتر باشه، اون تغییر واقعاً برای بیمار مهمه.

🔘 مثال ۳:
تو مقیاس VAS برای درد، نمره درد از ۷ اومده شده ۶
خب فقط ۱ نمره کم شده، p=0.02 هم هست.
ولی اگه MCID برای این مقیاس مثلاً ۱.۵ باشه، یعنی این تغییر هنوز به حدی نرسیده که بیمار واقعاً احساس بهبودی کنه.
پس حتی با وجود p کوچیک، این مطالعه تأثیر واقعی خاصی نداره!

🔘 مثال ۴:
یه مطالعه روی داروی دیابت نشون داده HbA1c از ۸.۵ رسیده به ۷.۵.
یعنی کاهش یک واحدی که خیلی مهمه از نظر بالینی اما چون تعداد کم بوده، p=0.07 شده

ولی چون MCID برای HbA1c معمولاً ۰.۵ یا ۰.۷ هست، این کاهش ۱ واحدی خیلی معنادار بالینیه حتی اگه از نظر آماری معنادار نباشه.

🤔 راهکار چیه؟ چی‌کار کنیم که گول نخوریم؟
وقتی می‌خوای یه مقاله یا نتیجه رو قضاوت کنی، حواست به این چیزا باشه:

✅ ۱. اندازه اثر (Effect Size) رو نگاه کن

با عدد نشون بده تغییر چقدره، نه فقط اینکه هست یا نیست!

✅ ۲. فاصله اطمینان (Confidence Interval) مهمه

ببین بازه CI خیلی پهنه یا نه؟ اگه بازه خیلی وسیعه، نتیجه اونقد قابل اطمینان نیست.

✅ ۳. ءMCID رو بدون

ببین تغییر ایجادشده واقعاً از حداقل تغییر مهم بالینی بیشتر بوده یا نه؟

📌 جمع‌بندی خیلی خودمونی:
ءp-value زیر ۰.۰۵ فقط می‌گه احتمال تصادفی بودن نتیجه کمه
ولی نمی‌گه اون نتیجه واقعاً به درد بیمار می‌خوره یا نه

🧠 همیشه با هم p، اندازه اثر، فاصله اطمینان و MCID رو ببین
تا یه قضاوت درست و حرفه‌ای از نتیجه تحقیق داشته باشی!

✉️ ارتباط و پشتیبانی:
@ResearchPrimeSupport

✅ @ResearchPrime

✏️ دیتا ایمپیوتیشن (Data Imputation) یعنی چی؟

وقتی داده‌هات ناقصه، چه جوری پرشون کنیم؟


📊 تو کارای تحقیقاتی، مخصوصاً کار با دیتاست‌های بزرگ، خیلی وقتا پیش میاد که بعضی مقادیر missing یا همون جاافتاده باشه.
مثلاً فشار خون یه بیمار ثبت نشده، یا وزنش یادداشت نشده، یا یه جواب آزمایش گم شده.

این شکاف‌ها می‌تونن حسابی آنالیز رو خراب کنن، مخصوصاً تو مدل‌های آماری و یادگیری ماشین.
اینجاست که می‌ریم سراغ Data Imputation یعنی "پر کردن هوشمند داده‌های ناقص".


📌 چرا اصلاً باید داده رو ایمپیوت کنیم؟

اگه حذف کنیم، حجم نمونه کم می‌شه و قدرت آماری میاد پایین

ممکنه داده‌ها به‌صورت سیستماتیک جاافتاده باشن و حذف‌شون باعث بایاس (سوء گیری) بشه

بعضی روش‌های آماری اصلاً با داده ناقص کار نمی‌کنن



✏️ انواع Data Imputation

1️⃣ حذف (Deletion)

در واقع ایمپیوتیشن نیست، ولی ساده‌ترین روشه:

ءListwise deletion: کل ردیف (بیمار) رو حذف می‌کنیم اگه یه داده‌اش ناقص باشه

ءPairwise deletion: فقط تو تحلیل همون متغیرها، داده ناقص رو حذف می‌کنیم


😀 مشکلش: حجم نمونه می‌ریزه و ممکنه نتایج بایاس بشه.


2️⃣ ایمپیوتیشن ساده (Single Imputation)

🔹 میانگین/میانه/مد

عدد گم‌شده رو با میانگین (برای داده نرمال)، میانه (برای داده غیرنرمال)، یا مد (برای داده اسمی) جایگزین می‌کنیم
📍 مثال: اگه فشار خون سیستولیک ۵ نفر داریم: 120، 122، NaN، 118، 119
میانگین = 119.75 → جایگزین می‌کنیم


🔹 Forward/Backward Fill (زمانی)

برای داده‌های سری زمانی، عدد قبلی یا بعدی رو جایگزین می‌کنیم
📍 مثال: فشار خون روزانه یه بیمار → روز سوم گم شده → همون عدد روز دوم رو می‌ذاریم.


🔹 Constant Value

یه عدد ثابت مثل صفر یا میانگین کلی رو می‌ذاریم


📍 مشکلش: واریانس داده‌ها رو کم می‌کنه و روابط واقعی رو کمرنگ می‌کنه.




3️⃣ ایمپیوتیشن پیشرفته (Model-Based)

🔹 Regression Imputation

یه مدل رگرسیون می‌سازیم تا مقدار گم‌شده رو بر اساس بقیه متغیرها پیش‌بینی کنیم
📍 مثال: وزن بیمار رو با استفاده از قد، سن و جنسیت پیش‌بینی می‌کنیم.


🔹 KNN Imputation

نزدیک‌ترین k فرد مشابه رو پیدا می‌کنیم و میانگین مقادیرشون رو جایگزین می‌کنیم
📍 مثال: قد و سن مشابه → میانگین وزن اون‌ها رو به بیمار گم‌شده نسبت می‌دیم.


🔹 Machine Learning Models

از مدل‌هایی مثل Random Forest یا XGBoost برای پیش‌بینی مقادیر گم‌شده استفاده می‌کنیم.




4️⃣ Multiple Imputation (MI) – پیشرفته‌ترین و علمی‌ترین

چند بار مقادیر گم‌شده رو با روش‌های آماری مختلف جایگزین می‌کنیم

هر بار تحلیل رو انجام می‌دیم

نتایج رو ترکیب می‌کنیم (Pooling)


📍 مزیتش: عدم قطعیت (Uncertainty) رو در نظر می‌گیره، نتیجه دقیق‌تره.
📍 ابزارها:

SPSS: Multiple Imputation Tool

Stata: mi impute

R: پکیج mice



⚠️ نکته مهم

قبل از ایمپیوتیشن، باید نوع Missing Data رو بفهمیم:

ءMCAR (کاملاً تصادفی) → راحت می‌تونیم ایمپیوت کنیم

ءMAR (وابسته به داده‌های دیگر) → ایمپیوتیشن مدل‌محور بهتره

ءMNAR (وابسته به خودش) → ایمپیوتیشن خیلی پیچیده می‌شه، شاید نیاز به مدل‌سازی خاص داشته باشه



🧪 مثال واقعی

فرض کن توی یک مطالعه فشار خون و BMI داری، ولی برای ۲۰٪ بیمارا BMI ثبت نشده.

اگه MCAR باشه → می‌تونی از میانگین یا KNN استفاده کنی

اگه MAR باشه (مثلاً زن‌ها بیشتر BMI‌شون ثبت نشده) → باید متغیر جنسیت رو تو مدل بیاری

اگه MNAR باشه (مثلاً افراد چاق‌تر عمداً وزنشون رو نگفتن) → کار پیچیده می‌شه و باید مدل‌های پیشرفته استفاده کرد


🎯 جمع‌بندی خودمونی:

حذف کردن ساده‌ست ولی معمولاً بدترین گزینه‌ست

ایمپیوتیشن ساده سریع انجام می‌شه ولی دقتش کمه

مدل‌محور و Multiple Imputation بهترین دقت رو می‌ده

همیشه قبل از ایمپیوت، ماهیت Missing Data رو بررسی کن.

✉️ ارتباط و پشتیبانی:
@ResearchPrimeSupport

✅ @ResearchPrime

🔍 متا رگرسیون توی متاآنالیز یعنی چی؟

متاآنالیز به طور معمول میاد نتایج چندتا مطالعه رو تجمیع می‌کنه و یه اثر کلی (Effect Size) می‌ده.
ولی بعضی وقتا نتایج مطالعات با هم خیلی فرق دارن (یعنی هتروژنیتی بالاست).
اینجاست که می‌گیم: «خب این تفاوت‌ها از کجا میاد؟»

✔️ ءMeta-regression دقیقاً همینه:
یه روش آماری برای بررسی این‌که چطور ویژگی‌های مطالعات (به اسم Covariates یا Moderators) می‌تونن تغییرات توی نتایج رو توضیح بدن.

📌 چرا به متا رگرسیون نیاز داریم؟

🔢وقتی I² یا Q-test نشون می‌ده هتروژنیتی بالاست
🔢وقتی شک داریم که عوامل خاصی باعث تفاوت اثر بین مطالعات شدن
🔢برای بررسی Dose–response یا اثر سن، جنس، روش مطالعه و غیره

❓ چطوری کار می‌کنه؟

فرض کن توی یه متاآنالیز اثر یک دارو رو روی فشار خون بررسی کردی و دیدی نتایج بین مطالعات خیلی متفاوته.
میای متغیرهایی مثل:

🔘 میانگین سن شرکت‌کننده‌ها
🔘 دوز دارو
🔘 مدت پیگیری
🔘 کشور یا منطقه رو به عنوان پیش‌بین (predictor) توی مدل می‌ذاری و می‌بینی کدومشون اختلاف‌ها رو توضیح می‌ده.

📊 انواع Meta-regression

1. ءUnivariable → فقط یک متغیر رو بررسی می‌کنه
📍 مثال: آیا اثر دارو با سن میانگین بیماران تغییر می‌کنه؟


2. ءMultivariable → چندتا متغیر رو با هم بررسی می‌کنه
📍 مثال: هم سن، هم دوز دارو، هم مدت درمان رو توی مدل می‌ذاریم.

📍 مثال ۱: دوز دارو

در متاآنالیز ۱۰ مطالعه درباره داروی X برای کاهش HbA1c، هتروژنیتی بالاست.
تو متا رگرسیون می‌بینی هر چی دوز بالاتر باشه، کاهش HbA1c هم بیشتره → یعنی یه رابطه دوز–پاسخ (Dose-response) پیدا کردی.

📍 مثال ۲: مدت مداخله

فرض کن ۱۵ مطالعه درباره ورزش هوازی و کاهش وزن داری.
تو متا رگرسیون می‌بینی که مطالعاتی که بیشتر از ۱۲ هفته طول کشیدن، اثر بیشتری نشون دادن.

📍 مثال ۳: کشور مطالعه

توی متاآنالیز واکسن، می‌بینی کشورهایی که پوشش واکسیناسیون بالاتر داشتن، اثر محافظتی بیشتر بوده → این هم با متا رگرسیون مشخص می‌شه.


⚠️ چند تا نکته مهم

تعداد مطالعات باید کافی باشه (ترجیحاً بالای ۱۰ تا)، وگرنه مدل ناپایدار می‌شه و نتایج اشتباه بهتون میده.

متا رگرسیون مثل رگرسیون معمولی رابطه علی ثابت نمی‌کنه، فقط ارتباط آماری رو نشون می‌ده.

بهتره متغیرهای با دامنه کافی و بدون هم‌خطی (collinearity) رو انتخاب کنیم.

اگه داده‌ها از جنس دسته‌بندی (categorical) باشن، باید توی مدل کدگذاری بشن (مثلاً ۰ و ۱).

🧠 جمع‌بندی خودمونی

متا رگرسیون = ابزاری برای پیدا کردن «چراها»ی اختلاف نتایج

کاربرد اصلی = بررسی اثر ویژگی‌های مطالعه یا شرکت‌کننده‌ها روی نتایج

باهاش می‌تونیم روابط دوز–پاسخ، اثر سن، جنس، طراحی مطالعه و خیلی عوامل دیگه رو پیدا کنیم

ولی باید تعداد مطالعه کافی و داده دقیق داشته باشیم وگرنه ممکنه نتیجه اشتباه بده

✉️ ارتباط و پشتیبانی:
@ResearchPrimeSupport

✅ @ResearchPrime

🔥 بریم واسه چاپ یه مقاله جدید! 😎

🌐 https://www.frontiersin.org/journals/medicine/articles/10.3389/fmed.2025.1541595/full

📌 ژورنال Frontiers in Medicine از سوئیس 🇨🇭

✨انتشارات Frontiers

✨ Q1

💥 Impact factor: 3

✔️ ISI, PubMed, Scopus indexed


✉️ ارتباط و پشتیبانی:
@ResearchPrimeSupport

✅ @ResearchPrime

😮 تبربک بابت انتخاب منتور ارشد Research Prime‌ به عنوان سفیر کنگره ISCOMS که هرساله توی دانشگاه خرونینگن هلند، رنک ۸۰ دنیا برگزار میشه! 🤩

https://iscoms.com/university-ambassadors-4/

✉️ ارتباط و پشتیبانی:
@ResearchPrimeSupport

✅ @ResearchPrime

🆕 یک نفر در مقاله متاانالیز حیطه ارتودنسی

جهت همکاری ریوایز عضو می‌پذیریم.

🔥 آموزش‌های لازم توسط منتور داده شده و بدون نیاز به پیشینه می‌باشد.

#14042

✉️ جهت ثبت نام به آیدی زیر پیام دهید:

@ResearchPrimeSupport

✅ @ResearchPrime

🆕 یک نفر در مقاله مقاله سیستماتیک ریویو حیطه ارتودنسی و هوش مصنوعی

جهت نگارش مقاله عضو می‌پذیریم.

🔥 آموزش‌های لازم توسط منتور داده شده و بدون نیاز به پیشینه می‌باشد.

#14043

✉️ جهت ثبت نام به آیدی زیر پیام دهید:

@ResearchPrimeSupport

✅ @ResearchPrime

🔥 اگه دوست دارین کار پژوهشی‌تون رو توی یه کنگره بین‌المللی توی دانشگاه خرونینگن هلند (رنک ۷۵ جهانی!) ارائه بدین، #ISCOMS2026 گزینه خیلی خوبیه. برای شرکت‌کننده‌های پذیرفته‌شده ویزای رسمی و فاند در نظر گرفته میشه و فرصت فوق‌العاده‌ایه برای آشنایی با پژوهشگران جوان از سراسر دنیا.

🗓 ددلاین ارسال ابسترکت: 11 ژانویه (21 دی)

🔗 لینک ارسال ابسترکت:
https://iscoms.com/abstract-submission/

💡 فقط یه نکته کوچیک: موقع سابمیت ابسترکت اگه بنویسین که از طریق یه ISCOMS ambassador آشنا شدین و اسم Muhammad Islampanah رو وارد کنین که امتیاز سفیر ایران بالاتر بره، عالی میشه :).

✉️ هر سوالی هم داشتین با کمال میل جواب میدم؛ فقط بهم پیام بدین: @CallMeMuhammad

✅ @ResearchPrime

⏳ ءTime-to-event Data و Hazard Ratio تو مطالعات بقا یعنی چی؟ (خیلی ساده و کاربردی)


🧠 تو خیلی از تحقیقات پزشکی، فقط مهم نیست «اتفاق افتاده یا نه»
بلکه مهمه کی اتفاق افتاده.

مثلاً:

🤔 بیمار چه مدت بعد از درمان دچار سکته شد؟
🤔 چند وقت بعد از جراحی، عود سرطان اتفاق افتاد؟
🤔 بیمار تا چه مدت زنده موند؟

اینجا وارد دنیای Survival Analysis (آنالیز بقا) می‌شیم.



📊 ءTime-to-event Data یعنی چی؟

یعنی داده‌ای که نشون می‌ده:
👉 چقدر طول کشید تا یه اتفاق (Event) رخ بده.

ءEvent می‌تونه هر چیزی باشه:

🤔 مرگ
🤔 سکته
🤔 عود بیماری
🤔 بستری شدن
🤔 حتی بهبود کامل


📌 مثال ساده:

فرض کن ۵ بیمار بعد از جراحی رو دنبال می‌کنیم:

| بیمار | زمان تا عود (ماه) |
| ----- | ----------------- |
| 1 | 6 |
| 2 | 10 |
| 3 | 3 |
| 4 | هنوز عود نکرده |
| 5 | 8 |

بیمار ۴ → بهش می‌گیم Censored data
یعنی تا آخر مطالعه event براش اتفاق نیفتاده.


📉 چرا آنالیز معمولی کافی نیست؟

چون:
❌ همه بیمارا event نمی‌گیرن
❌ زمان وقوع event خیلی مهمه
❌ ءFollow-up افراد فرق داره

برای همین از روش‌هایی مثل:
✔️ Kaplan-Meier
✔️ Cox Regression
استفاده می‌کنیم.


🔥 ءHazard یعنی چی؟

ءHazard یعنی:
👉 «ریسک لحظه‌ای اتفاق افتادن event در یک زمان خاص»

یعنی الان، در این لحظه، احتمال event چقدره (برای کسی که هنوز event نگرفته).


🚀 ءHazard Ratio (HR) یعنی چی؟

ءHazard Ratio میاد Hazard دو گروه رو با هم مقایسه می‌کنه.


✅ تفسیر HR:

| HR | معنی |
| ------ | ----------------------------- |
| HR = 1 | فرقی بین دو گروه نیست |
| HR > 1 | ریسک event تو گروه اول بیشتره |
| HR < 1 | ریسک event تو گروه اول کمتره |


📍 مثال ۱ — داروی قلبی

ءHR = 0.70 برای مرگ

یعنی:
🔘 ریسک مرگ تو گروه دارو ۳۰٪ کمتره نسبت به کنترل.


📍 مثال ۲ — سرطان

ءHR = 1.5 برای عود

یعنی:
🔘 گروه درمان جدید ۵۰٪ ریسک عود بیشتری داشته (نتیجه بد).


📍 مثال ۳ — ICU

ءHR = 0.5 برای نیاز به ونتیلاتور

🔘 یعنی درمان جدید احتمال نیاز به ونتیلاتور رو نصف کرده.


⚠️ نکته خیلی مهم

Hazard Ratio ≠ Risk Ratio

ءHR وابسته به زمان هست.
ءRR فقط میگه event رخ داده یا نه.


📌 مثال تفاوت HR و RR

ممکنه دو درمان تعداد مرگ مشابه داشته باشن،
ولی یکی باعث بشه بیمارا خیلی دیرتر بمیرن →
اینجا HR فرق رو نشون میده ولی RR شاید نه.


🧪 مثال واقعی‌تر

مطالعه روی داروی سرطان:

Median Survival:
گروه A → 24 ماه
گروه B → 18 ماه

HR = 0.65

👉 یعنی در هر لحظه، ریسک مرگ تو گروه A حدود 35٪ کمتر بوده.


🧠 جمع‌بندی خودمونی

✔️ ءTime-to-event → زمان تا رخ دادن event
✔️ ءHazard → ریسک لحظه‌ای رخ دادن event
✔️ ءHazard Ratio → مقایسه ریسک بین دو گروه در طول زمان

🔘 ءHR < 1 معمولاً یعنی درمان محافظت‌کننده
🔘 ءHR > 1 یعنی احتمال event بیشتره


📌 تو مقالات آنکولوژی، قلب، ICU و اپیدمیولوژی خیلی HR می‌بینی.
اگه HR رو درست بفهمی، نصف راه Survival Analysis رو رفتی 😉

@ResearchPrimeSupport

✅ @ResearchPrime

🔥 بریم واسه چاپ یه مقاله جدید! 😎

📌 ژورنال BMC Nephrology متعلق به انجمن نفرولوژی بریتانیا 🇬🇧

✨انتشارات Springer Nature

✨ Q2

💥 Impact factor: 2.4

✔️ ISI, PubMed, Scopus indexed


✉️ ارتباط و پشتیبانی:
@ResearchPrimeSupport

✅ @ResearchPrime

🆕 سه نفر در مقاله بیبلیوگرافیک ریویو
تاپیک حیطه جراحی دهان فک و صورت، بیماری‌های دهان و هوش مصنوعی

جهت همکاری در نگارش مقاله عضو می‌پذیریم.

🔥 آموزش‌های لازم توسط منتور داده شده و بدون نیاز به پیشینه می‌باشد.

#14044

✉️ جهت ثبت نام به آیدی زیر پیام دهید:

@ResearchPrimeSupport

✅ @ResearchPrime

🆕 یه فرصت خوب برای اونایی که دوست دارن وارد دنیای Peer Review بشن!

اگه به داوری مقالات علمی علاقه داری، بعضی از ژورنال‌های Wiley (مثل ژورنال Clinical Cardiology) گاهی فراخوان جذب داور منتشر می‌کنن و از پژوهشگرها دعوت می‌کنن که به عنوان Peer Reviewer درخواست بدن.

💡 اصلاً Peer Reviewer چیکار می‌کنه؟
داور علمی کسیه که مقاله‌های ارسالی به ژورنال رو از نظر کیفیت علمی، متدولوژی، آنالیز داده‌ها و اعتبار نتایج بررسی می‌کنه و به ادیتور کمک می‌کنه تصمیم بگیره مقاله چاپ بشه یا نه.

📌 معمولاً برای داور شدن چه چیزایی لازمه؟
🔘 تخصص پژوهشی مشخص در یه حوزه
🔘 داشتن مقاله علمی منتشرشده
🔘 آشنایی با متدولوژی تحقیق و آمار
🔘 توانایی نوشتن کامنت علمی و سازنده
🔘 رعایت اصول اخلاقی داوری (مثل محرمانگی و عدم تضاد منافع)

🔖 داورها معمولاً چه کارهایی انجام میدن؟
وقتی دعوت به داوری رو قبول می‌کنن، باید مقاله رو از نظر نوآوری، کیفیت طراحی مطالعه، اعتبار داده‌ها و منطقی بودن نتیجه‌گیری بررسی کنن و بازخورد دقیق و علمی بدن. همچنین باید مشکلات متدولوژیک یا ناسازگاری داده و نتیجه رو مشخص کنن.

✨ چرا داور شدن مهمه؟
🤔 کمک به ارتقای کیفیت علم
🤔 آشنایی زودتر با تحقیقات جدید حوزه خودت
🤔 قوی شدن مهارت Critical appraisal
🤔 بهتر شدن رزومه آکادمیک

🧠 نکته:
خیلی از ژورنال‌ها دنبال داورهای جدید هستن و حتی پژوهشگرهای Early-career هم می‌تونن اپلای کنن.

اگر به فضای آکادمیک علاقه داری، Peer Review یکی از بهترین راه‌ها برای ورود عمیق‌تر به دنیای انتشار علمی محسوب میشه.

برای درخواست داوری توی ژورنال Clinical Cardiology کافیه روی لینک زیر کلیک کنی و توضیحاتشو بخونی!
https://onlinelibrary.wiley.com/page/journal/19328737/call-for-applications/peer-reviewers


@ResearchPrimeSupport

✅ @ResearchPrime

📊 تفاوت Incidence، Prevalence، Risk و Odds توی مطالعات اپیدمیولوژی — خیلی ساده و کاربردی

این چهار تا مفهوم خیلی وقت‌ها با هم قاطی میشن، در حالی که هرکدوم معنی و کاربرد متفاوتی دارن. بیاین خیلی شفاف و با مثال جلو بریم 👇


1️⃣ Incidence (بروز بیماری)

یعنی تعداد موارد جدید یه بیماری توی یه جمعیت در یه بازه زمانی مشخص.

📌 فرمول ساده: تعداد موارد جدید ÷ جمعیت در معرض خطر در شروع مطالعه

✅ مثال:
فرض کن 1000 نفر سالم رو یک سال دنبال می‌کنیم.
اگر 50 نفر توی اون سال دیابت بگیرن →
Incidence = 50 / 1000 = 5% در سال

💡 کاربرد:
وقتی میخوای ببینی سرعت ایجاد بیماری چقدره.


2️⃣ Prevalence (شیوع بیماری)

یعنی کل موارد بیماری (قدیمی + جدید) در یه زمان مشخص.

📌 فرمول: کل بیماران موجود ÷ کل جمعیت

✅ مثال:
در یه شهر 10 هزار نفری، 800 نفر الان دیابت دارن →
Prevalence = 800 / 10000 = 8%

💡 نکته مهم:
اگر بیماری طولانی باشه → prevalence زیاد میشه حتی اگر incidence کم باشه.


3️⃣ Risk (ریسک / احتمال وقوع)

یعنی احتمال اینکه یه فرد در طول یه مدت مشخص بیماری بگیره.

📌 فرمول: موارد جدید ÷ افراد در معرض خطر

✅ مثال:
از 200 سیگاری، 40 نفر طی 10 سال سرطان ریه میگیرن →
Risk = 40 / 200 = 20%

💡 Risk همیشه بین 0 تا 1 (یا 0 تا 100%) هست.


4️⃣ Odds (شانس وقوع نسبت به عدم وقوع)

یعنی نسبت احتمال وقوع یه اتفاق به احتمال رخ ندادن اون.

📌 فرمول:
احتمال وقوع ÷ احتمال عدم وقوع

✅ مثال:
اگر احتمال بیماری 20% باشه →
Odds = 0.2 / 0.8 = 0.25

💡 فرق مهم:
Risk = احتمال ساده
Odds = نسبت احتمال وقوع به عدم وقوع


🔥 مثال واقعی که همه رو باهم ببینی:

در یک مطالعه روی 1000 نفر:

* 100 نفر بیماری دارن → Prevalence = 10%
* طی یک سال 40 مورد جدید ایجاد شد → Incidence = 4%
* احتمال گرفتن بیماری در اون سال → Risk = 4%
* Odds بیماری در اون سال → 0.04 / 0.96 ≈ 0.042


🧠 یه نکته خیلی مهم برای مقاله خوندن:

📌 توی Cohort study → معمولاً Risk و Risk Ratio استفاده میشه
📌 توی Case-Control → معمولاً Odds و Odds Ratio استفاده میشه
📌 وقتی بیماری نادر باشه → Odds Ratio ≈ Risk Ratio


⭐️ مثال بالینی ساده:

مثلاً در ICU:
اگر از 100 بیمار ونتیله، 30 نفر VAP بگیرن →
Risk = 30%

ولی Odds =
30 / 70 = 0.43

میبینی که عددها فرق دارن 👈 این خیلی مهمه توی تفسیر مقاله.


اگر بخوای خیلی خلاصه یادت بمونه:

🔘 Incidence → موارد جدید
🔘 Prevalence → کل موارد
🔘 Risk → احتمال ساده
🔘 Odds → نسبت احتمال وقوع به عدم وقوع

@ResearchPrimeSupport

✅ @ResearchPrime

🆕 چهار نفر در مقاله سیستماتیک ریویو و متاآنالیز حیطه قلب و عروق
جهت نگارش مقاله عضو می‌پذیریم.

🔥 آموزش‌های لازم توسط منتور داده شده و بدون نیاز به پیشینه می‌باشد.

#14045

✉️ جهت ثبت نام به آیدی زیر پیام دهید:

@ResearchPrimeSupport

✅ @ResearchPrime

📊 آشنایی با Sensitivity Analysis (تحلیل حساسیت) توی متاآنالیز — خیلی کاربردی و مهم

اگه متاآنالیز کار می‌کنی، تحلیل حساسیت یکی از اون چیزاییه که کیفیت کارت رو خیلی بالا می‌بره. ساده بگم:
تحلیل حساسیت یعنی ببینیم نتیجه متاآنالیز ما چقدر به تصمیم‌ها و انتخاب‌های ما وابسته است.



🧠 اصلاً Sensitivity Analysis یعنی چی؟

یعنی بررسی کنیم اگر بعضی فرض‌ها یا داده‌ها رو عوض کنیم، نتیجه متاآنالیز چقدر تغییر می‌کنه؟

اگر نتیجه خیلی تغییر کنه ⬅️ نتیجه ناپایدار
اگر تغییر نکنه ⬅️ نتیجه قوی و قابل اعتماد



🎯 چرا تحلیل حساسیت مهمه؟

چون توی متاآنالیز ما کلی تصمیم می‌گیریم، مثل:

چه مطالعه‌هایی رو وارد کنیم

چه مدل آماری استفاده کنیم

چه مطالعه‌هایی رو حذف کنیم

چطور با داده‌های ناقص برخورد کنیم


تحلیل حساسیت کمک می‌کنه بفهمیم این تصمیم‌ها نتیجه رو منحرف نکرده باشن.



🔥 روش‌های رایج انجام Sensitivity Analysis در متاآنالیز

1️⃣ Leave-one-out Analysis

هر بار یکی از مطالعه‌ها رو حذف می‌کنیم و دوباره متاآنالیز می‌گیریم.

✅ کاربرد: پیدا کردن مطالعه‌ای که بیشترین اثر رو روی نتیجه گذاشته.

📌 مثال: فرض کن متاآنالیز OR = 1.4 داده.
وقتی یک مطالعه خاص رو حذف می‌کنی ⬅️ OR میشه 1.0

⚠️ یعنی اون مطالعه خیلی تاثیرگذار بوده.



2️⃣ حذف مطالعات با کیفیت پایین

متاآنالیز رو فقط با مطالعات high-quality انجام می‌دیم.

📌 مثال: همه مطالعات → RR = 0.85
فقط مطالعات با risk of bias پایین ⬅️ RR = 0.88

✅ اگر نزدیک باشن ⬅️ نتیجه پایدار



3️⃣ مقایسه مدل Fixed vs Random Effects

می‌بینیم مدل انتخابی چقدر نتیجه رو تغییر میده.

📌 مثال:
Fixed → MD = -3.2
Random → MD = -3.0

اگر نزدیک باشه → نتیجه قابل اعتماده.



4️⃣ حذف مطالعات با sample size خیلی کم

چون مطالعات کوچک معمولاً نویز بیشتری دارن.

📌 مثال: با همه مطالعات
SMD = 0.55
بعد حذف مطالعات n<30
SMD = 0.50

اگر تغییر کم باشه ⬅️ خوبه.



5️⃣ بررسی اثر روش Imputation یا داده‌های تخمینی

مثلاً اگر بعضی SDها تخمین زده شده باشن.

📌 مثال: با SD تخمینی
SMD = 0.60
بدون اون‌ها
SMD = 0.58



⭐️ مثال واقعی سناریویی

فرض کن متاآنالیز روی اثر یه دارو روی کاهش فشار خون انجام دادی:

نتیجه اصلی:
MD = -5 mmHg

حالا تحلیل حساسیت:

حذف مطالعه بزرگ
MD= -4.8
فقط مطالعات با کیفیت بالا
MD = -5.2
فقط RCT
MD = -5.0


✅ نتیجه پایدار ⬅️ اعتماد بالا



🚨 کی باید حتماً Sensitivity Analysis انجام بدیم؟

تقریباً همیشه 😄
ولی مخصوصاً وقتی:

ءHeterogeneity بالا باشه

بعضی مطالعات Risk of Bias بالا داشته باشن

داده Imputation شده داشته باشی

ءOutlier داشته باشی

تعداد مطالعات کم باشه




❌ اشتباه رایج

❌ انجام ندادن تحلیل حساسیت
❌ گزارش نکردن نتایجش
❌ فقط انجام دادن بدون تفسیر



📌 چطور در مقاله گزارشش کنیم؟

مثلاً:
"Results were robust in sensitivity analyses, including leave-one-out analysis and restriction to low risk-of-bias studies."



🧪 مثال خیلی ساده برای درک شهودی

فرض کن 5 تا مطالعه داری:

Effect sizes:
0.4 — 0.5 — 0.45 — 0.48 — 1.2

اون 1.2 احتمالاً Outlier هست.

اگر حذفش کنی و نتیجه خیلی تغییر کنه ⬅️
باید توضیح بدی چرا.



🧩 جمع‌بندی خیلی خلاصه

ءSensitivity Analysis یعنی:
🤔 آیا نتیجه متاآنالیز من با تغییر تصمیم‌ها عوض میشه یا نه؟

اگر جواب "نه" باشه ⬅️ نتیجه قوی و قابل اعتماده.

@ResearchPrimeSupport

✅ @ResearchPrime

🆕 نوبتی هم باشه، نوبت زیر چاپ رفتن کتاب جدید توی انتشارات خفن Taylor & Francis هست 😎

https://www.taylorfrancis.com/chapters/edit/10.1201/9781003533351-12/robotics-healthcare-rahma-mahmoud-saad-muhammad-islampanah-husam-alddin-maher-alkajah-gergis-goseph-altalab-ayah-abdulgadir-ahmed-tharwat-al-namrouti-abdelrahman-abdelshafi


✉️ ارتباط با ما:
@ResearchPrimeSupport

✅ @ResearchPrime

🚨 چطور بخش Limitations (محدودیت‌ها) رو حرفه‌ای بنویسیم؟ — راهنمای کامل و کاربردی

یکی از مهم‌ترین بخش‌های هر مقاله علمی، مخصوصاً توی مطالعات کلینیکال و متاآنالیز، بخش Limitations هست.
جاییه که نشون میدی چقدر به کار خودت دید انتقادی داری 👇



🤔 اصلاً Limitations یعنی چی؟

یعنی 👈 چه ضعف‌ها یا محدودیت‌هایی توی مطالعه‌ات وجود داره
👈 این محدودیت‌ها چقدر ممکنه روی نتایج اثر بذارن

⚠️ مهم: گفتن محدودیت ≠ ضعیف بودن مقاله
اتفاقاً نشونه بلوغ علمیه



📌 چرا این بخش مهمه؟

افزایش اعتبار مقاله

جلب اعتماد داورها

کمک به تفسیر درست نتایج

جلوگیری از overclaim (اغراق در نتیجه‌گیری)




🔥 چه چیزهایی باید توی Limitations بیاد؟


1️⃣ محدودیت‌های طراحی مطالعه

📌 مثال‌ها:

ءretrospective بودن

ءobservational بودن

عدم randomization


🧪 مثال نوشتاری: "این مطالعه به‌صورت retrospective انجام شده و امکان وجود biasهای پنهان وجود دارد."



2️⃣ محدودیت حجم نمونه (Sample Size)

📌 مثال: "حجم نمونه نسبتاً کم ممکن است توان آماری مطالعه را کاهش داده باشد."



3️⃣ ءBiasها (سوگیری‌ها)

مثل:

selection bias

measurement bias

publication bias (در متاآنالیز)


🧪 مثال: "احتمال وجود publication bias به‌دلیل وارد شدن مطالعات منتشرشده وجود دارد."



4️⃣ء Heterogeneity (در متاآنالیز)

📌 مثال: "ناهمگنی قابل‌توجه بین مطالعات ممکن است بر تعمیم‌پذیری نتایج تأثیر گذاشته باشد."



5️⃣ محدودیت داده‌ها

داده‌های ناقص

استفاده از داده‌های ثانویه

عدم دسترسی به individual patient data


🧪 مثال: "عدم دسترسی به داده‌های سطح فردی (IPD) مانع انجام تحلیل‌های دقیق‌تر شد."



6️⃣ محدودیت در تعمیم‌پذیری (Generalizability)

📌 مثال: "نتایج این مطالعه ممکن است به سایر جمعیت‌ها قابل تعمیم نباشد."



7️⃣ متغیرهای مخدوش‌کننده (Confounders)

📌 مثال: "برخی متغیرهای مخدوش‌کننده به‌طور کامل کنترل نشده‌اند."



🧪 مثال کامل (خیلی مهم)

یه پاراگراف Limitations خوب 👇

"این مطالعه دارای چندین محدودیت است. اول، به‌دلیل طراحی مشاهده‌ای، احتمال وجود confounding وجود دارد. دوم، ناهمگنی قابل‌توجه بین مطالعات واردشده مشاهده شد که می‌تواند بر تفسیر نتایج اثر بگذارد. سوم، به‌دلیل استفاده از داده‌های منتشرشده، احتمال publication bias وجود دارد. در نهایت، عدم دسترسی به داده‌های سطح فردی، انجام تحلیل‌های زیرگروهی دقیق را محدود کرد."



❌ اشتباهات رایج

❌ نگفتن هیچ محدودیتی
❌ گفتن محدودیت‌های خیلی کلی و بی‌معنی
❌ اغراق در ضعف‌ها (undermine کردن مقاله)
❌ آوردن چیزهایی که اصلاً limitation نیست



✔️ نکات حرفه‌ای

✔️ صادق باش، ولی هوشمندانه
✔️ فقط محدودیت‌های مهم رو بگو
✔️ اثر هر محدودیت روی نتیجه رو توضیح بده
✔️ در صورت امکان، بگو چطور سعی کردی کنترلش کنی



⭐ مثال حرفه‌ای‌تر

❌ ضعیف: "مطالعه ما محدودیت‌هایی دارد."

✔️ قوی: "با وجود استفاده از مدل random-effects، ناهمگنی بالا بین مطالعات باقی ماند که می‌تواند بر دقت برآورد اثر تأثیر بگذارد."



📌 ساختار پیشنهادی

1. معرفی کلی محدودیت‌ها
2. مهم‌ترین‌ها (طراحی، bias، داده)
3. اثر آن‌ها روی نتایج
4. جمع‌بندی کوتاه



🧩 جمع‌بندی

ءLimitations جاییه که صداقت علمی نشون میدی
👈 کیفیت کارت رو بالا می‌بری
👈 به خواننده کمک می‌کنی نتایج رو درست بفهمه

@ResearchPrimeSupport

✅ @ResearchPrime